maxframe.tensor.random.standard_gamma#

maxframe.tensor.random.standard_gamma(shape, size=None, chunk_size=None, gpu=None, dtype=None)[源代码]#

从标准伽马分布中抽取样本。

样本是从具有指定参数的伽马分布中抽取的，形状参数（有时称为 "k"）和尺度为 1。

参数:

  • shape (float or array_like of floats) -- 参数，应大于 0。

  • size (int or tuple of ints, optional) -- 输出形状。如果给定的形状是例如 (m, n, k)，那么会抽取 m * n * k 个样本。如果 size 是 None``（默认值），当 ``shape 是标量时返回单个值。否则，抽取 mt.array(shape).size 个样本。

  • chunk_size (int or tuple of int or tuple of ints, optional) -- 每个维度上期望的分块大小

  • gpu (bool, optional) -- 如果为 True，则将张量分配在 GPU 上，默认为 False

  • dtype (data-type, optional) -- 返回张量的数据类型。

返回:

out -- 从参数化的标准伽马分布中抽取的样本。

返回类型:

Tensor or scalar

参见

scipy.stats.gamma

概率密度函数、分布或累积密度函数等。

备注

伽马分布的概率密度为

\[p(x) = x^{k-1}\frac{e^{-x/\theta}}{\theta^k\Gamma(k)},\]

其中 \(k\) 是形状参数，\(\theta\) 是尺度参数，\(\Gamma\) 是伽马函数。

伽马分布常用于模拟电子元件的失效时间，并且在泊松分布事件之间等待时间相关的自然过程中出现。

引用

示例

从分布中抽取样本：

>>> import maxframe.tensor as mt

>>> shape, scale = 2., 1. # mean and width
>>> s = mt.random.standard_gamma(shape, 1000000)

显示样本的直方图以及概率密度函数：

>>> import matplotlib.pyplot as plt
>>> import scipy.special as sps
>>> count, bins, ignored = plt.hist(s.execute(), 50, normed=True)
>>> y = bins**(shape-1) * ((mt.exp(-bins/scale))/ \
...                       (sps.gamma(shape) * scale**shape))
>>> plt.plot(bins, y.execute(), linewidth=2, color='r')
>>> plt.show()