深度学习需要掌握的13个概率分布

重磅干货，第一时间送达

作者丨Sophia@知乎

来源丨https://zhuanlan.zhihu.com/p/158801020

转载 | 极市平台

本文仅用于学术分享，著作权归作者所有。如有侵权，请联系后台作删文处理。

在逛Github时发现了一个不错的总结，对深度学习的概率分布进行了总结。

作者的Github开源地址：https://github.com/graykode/distribution-is-all-you-needgithub.com

1.均匀分布（连续）代码： https://github.com/graykode/distribution-is-all-you-need/blob/master/uniform.py

均匀分布在 [a，b] 上具有相同的概率值，是简单概率分布。

2.伯努利分布（离散）代码： https://github.com/graykode/distribution-is-all-you-need/blob/master/bernoulli.py

先验概率 p（x）不考虑伯努利分布。因此，如果我们对最大似然进行优化，那么我们很容易被过度拟合。

利用二元交叉熵对二项分类进行分类。它的形式与伯努利分布的负对数相同。

3.二项分布（离散）代码： https://github.com/graykode/distribution-is-all-you-need/blob/master/binomial.py

参数为 n 和 p 的二项分布是一系列 n 个独立实验中成功次数的离散概率分布。

二项式分布是指通过指定要提前挑选的数量而考虑先验概率的分布。

4.多伯努利分布/分类分布（离散）代码： https://github.com/graykode/distribution-is-all-you-need/blob/master/categorical.py

多伯努利称为分类分布。

交叉熵和采取负对数的多伯努利分布具有相同的形式。

5.多项式分布（离散）代码： https://github.com/graykode/distribution-is-all-you-need/blob/master/multinomial.py

多项式分布与分类分布的关系与伯努尔分布与二项分布的关系相同。

6.β分布（连续）代码： https://github.com/graykode/distribution-is-all-you-need/blob/master/beta.py

β分布与二项分布和伯努利分布共轭。

利用共轭，利用已知的先验分布可以更容易地得到后验分布。

当β分布满足特殊情况（α=1，β=1）时，均匀分布是相同的。

7.Dirichlet 分布（连续）代码： https://github.com/graykode/distribution-is-all-you-need/blob/master/dirichlet.py