科技一哥■深度学习必懂的13种概率分布转载自：AI开发者本文1373字

文章图片
转载自：AI开发者
本文1373字，建议阅读4分钟。
本文介绍最常见的基本概率分布教程，大多数和使用python库进行深度学习有关。

文章图片
概率分布概述

文章图片
共轭意味着它有共轭分布的关系。在贝叶斯概率论中，如果后验分布p（θx）与先验概率分布p（θ）在同一概率分布族中，则先验和后验称为共轭分布，先验称为似然函数的共轭先验。共轭先验维基百科在这里（https://en.wikipedia.org/wiki/Conjugate_prior）。
多分类表示随机方差大于2 。 n次意味着我们也考虑了先验概率p（x）。为了进一步了解概率，我建议阅读[patternrecognitionandmachinelearning ， Bishop2006] 。分布概率与特征
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。

文章图片
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。

文章图片
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。

文章图片
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。

文章图片
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。

文章图片
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。

文章图片
7.Dirichlet分布（连续）
代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/dirichlet.py
dirichlet分布与多项式分布是共轭的。如果k=2 ，则为β分布。

文章图片
8.伽马分布（连续）
代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/gamma.py
如果gamma（a ， 1）/gamma（a ， 1）+gamma（b ， 1）与beta（a ， b）相同，则gamma分布为β分布。指数分布和卡方分布是伽马分布的特例。