深度学习必懂的 13 种概率分布

导读：作为机器学习从业者，你需要知道概率分布相关的知识。这里有一份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。

来源：AI开发者

原文链接：

https://github.com/graykode/distribution-is-all-you-need

概率分布概述：

• 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 [pattern recognition and machine learning，Bishop 2006]。

分布概率与特征：

01 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。

02 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。

03 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。

04 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。

05 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。

06 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。
  

07 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。
  

08 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。
  

09 指数分布（连续）

• 代码：

  https://github.com/graykode/distribution-is-all-you-need/blob/master/exponential.py 

指数分布是 α 为 1 时 γ 分布的特例。

10 高斯分布（连续）

• 代码：

  https://github.com/graykode/distribution-is-all-you-need/blob/master/gaussian.py 

高斯分布是一种非常常见的连续概率分布。

11 正态分布（连续）

• 代码：

  https://github.com/graykode/distribution-is-all-you-need/blob/master/normal.py 

正态分布为标准高斯分布，平均值为 0，标准差为 1。

12 卡方分布（连续）

• 代码：

  https://github.com/graykode/distribution-is-all-you-need/blob/master/chi-squared.py 

• k 自由度的卡方分布是 k 个独立标准正态随机变量的平方和的分布。
  

• 卡方分布是 β 分布的特例
  

13 t 分布（连续）

• 代码：

  https://github.com/graykode/distribution-is-all-you-need/blob/master/student-t.py 

t 分布是对称的钟形分布，与正态分布类似，但尾部较重，这意味着它更容易产生远低于平均值的值。

延伸阅读

延伸阅读《神经网络与深度学习》

干货直达

• 终于有人把红蓝对抗讲明白了
  

• 职场「数字人」不吃不睡007工作制，你「卷」得过它们吗？

• 实现城市治理一网统管，必须这 4 个关键技术

• 云计算与数字化转型的关系，终于有人讲明白了

更多精彩

在公众号对话框输入以下关键词

查看更多优质内容！

读书 | 书单 | 干货 | 讲明白 | 神操作 | 手把手

大数据 | 云计算 | 数据库 | Python | 爬虫 | 可视化

AI | 人工智能 | 机器学习 | 深度学习 | NLP

5G | 中台 | 用户画像 | 数学 | 算法 | 数字孪生

据统计，99%的大咖都关注了这个公众号