作者：Sophia@知乎

來源：https://zhuanlan.zhihu.com/p/158801020

本文僅用于學術分享，著作權歸作者所有。如有侵權，請聯系后臺作刪文處理。

在逛Github時發現了一個不錯的總結，對深度學習的概率分布進行了總結。作者的Github開源地址：https://github.com/graykode/distribution-is-all-you-needgithub.com1. 均勻分布(連續)代碼：https://github.com/graykode/distribution-is-all-you-need/blob/master/uniform.py均勻分布在 [a，b] 上具有相同的概率值，是簡單概率分布。2. 伯努利分布(離散)代碼：https://github.com/graykode/distribution-is-all-you-need/blob/master/bernoulli.py先驗概率 p(x)不考慮伯努利分布。因此，如果我們對最大似然進行優化，那么我們很容易被過度擬合。利用二元交叉熵對二項分類進行分類。它的形式與伯努利分布的負對數相同。3. 二項分布(離散)代碼：https://github.com/graykode/distribution-is-all-you-need/blob/master/binomial.py參數為 n 和 p 的二項分布是一系列 n 個獨立實驗中成功次數的離散概率分布。二項式分布是指通過指定要提前挑選的數量而考慮先驗概率的分布。4. 多伯努利分布/分類分布(離散)代碼：https://github.com/graykode/distribution-is-all-you-need/blob/master/categorical.py多伯努利稱為分類分布。交叉熵和采取負對數的多伯努利分布具有相同的形式。5. 多項式分布(離散)代碼：https://github.com/graykode/distribution-is-all-you-need/blob/master/multinomial.py多項式分布與分類分布的關系與伯努爾分布與二項分布的關系相同。6. β分布(連續)代碼：https://github.com/graykode/distribution-is-all-you-need/blob/master/beta.pyβ分布與二項分布和伯努利分布共軛。利用共軛，利用已知的先驗分布可以更容易地得到后驗分布。當β分布滿足特殊情況(α=1，β=1)時，均勻分布是相同的。7. Dirichlet 分布(連續)代碼：https://github.com/graykode/distribution-is-all-you-need/blob/master/dirichlet.pydirichlet 分布與多項式分布是共軛的。如果 k=2，則為β分布。8.伽馬分布(連續)代碼：https://github.com/graykode/distribution-is-all-you-need/blob/master/gamma.py如果 gamma(a，1)/gamma(a，1)+gamma(b，1)與 beta(a，b)相同，則 gamma 分布為β分布。指數分布和卡方分布是伽馬分布的特例。9. 指數分布(連續)代碼：https://github.com/graykode/distribution-is-all-you-need/blob/master/exponential.py指數分布是 α 為 1 時 γ 分布的特例。10. 高斯分布(連續)代碼：https://github.com/graykode/distribution-is-all-you-need/blob/master/gaussian.py高斯分布是一種非常常見的連續概率分布。11. 正態分布(連續)代碼：https://github.com/graykode/distribution-is-all-you-need/blob/master/normal.py正態分布為標準高斯分布，平均值為0，標準差為1。12. 卡方分布(連續)代碼：https://github.com/graykode/distribution-is-all-you-need/blob/master/chi-squared.pyk 自由度的卡方分布是 k 個獨立標準正態隨機變量的平方和的分布。卡方分布是 β 分布的特例。13. t 分布(連續)代碼：https://github.com/graykode/distribution-is-all-you-need/blob/master/student-t.pyt分布是對稱的鐘形分布，與正態分布類似，但尾部較重，這意味著它更容易產生遠低于平均值的值。

作者：Sophia@知乎

來源：https://zhuanlan.zhihu.com/p/158801020

本文僅作學術交流，如有侵權，請聯系后臺刪除

—END—

版權聲明：本號內容部分來自互聯網，轉載請注明原文鏈接和作者，如有侵權或出處有誤請和我們聯系。

人工智能精選【rgznjx】專注大數據，人工智能/機器學習 精選內容和產業服務平臺。

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的gamma分布_深度学习需要掌握的 13 个概率分布（附代码）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。