深度学习必须掌握的 13 种概率分布

深度学习从业者，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。

一、概率分布的关系概览

conjugate 意味着它有共轭分布的关系。
Multi-Class表示随机方差大于 2。
N Times意味着我们还考虑先验概率 P(X)。
为了进一步了解概率，我建议阅读 [pattern recognition and machine learning，Bishop 2006]。

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）。无损原图可见：https://github.com/graykode/distribution-is-all-you-need/blob/master/overview.pptx

二、分布概率与特征

1. 均匀分布（连续）

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）

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）

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。

"""

各分布的生成代码（算法进阶 附注）：

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

Code by Tae-Hwan Hung(@graykode)

"""

import numpy as np

from matplotlib import pyplot as plt



import operator as op

from functools import reduce



def const(n, r):

    r = min(r, n-r)

    numer = reduce(op.mul, range(n, n-r, -1), 1)

    denom = reduce(op.mul, range(1, r+1), 1)

    return numer / denom



def binomial(n, p):

    q = 1 - p

    y = [const(n, k) * (p ** k) * (q ** (n-k)) for k in range(n)]

    return y, np.mean(y), np.std(y)



for ls in [(0.5, 20), (0.7, 40), (0.5, 40)]:

    p, n_experiment = ls[0], ls[1]

    x = np.arange(n_experiment)

    y, u, s = binomial(n_experiment, p)

    plt.scatter(x, y, label=r'$\mu=%.2f,\ \sigma=%.2f$' % (u, s))



plt.legend()

plt.savefig('graph/binomial.png')

plt.show()