# mindspore.nn.probability.distribution.Beta

class mindspore.nn.probability.distribution.Beta(concentration1=None, concentration0=None, seed=None, dtype=mstype.float32, name='Beta')[源代码]

Beta 分布（Beta Distribution）。 连续随机分布，取值范围为 $$[0, 1]$$ ，概率密度函数为

$f(x, \alpha, \beta) = x^\alpha (1-x)^{\beta - 1} / B(\alpha, \beta).$

• concentration1 (int, float, list, numpy.ndarray, Tensor) - Beta 分布的alpha。默认值：None。

• concentration0 (int, float, list, numpy.ndarray, Tensor) - Beta 分布的beta。默认值：None。

• seed (int) - 采样时使用的种子。如果为None，则使用全局种子。默认值：None。

• dtype (mindspore.dtype) - 采样结果的数据类型。默认值：mstype.float32。

• name (str) - 分布的名称。默认值：’Beta’。

Note

• concentration1concentration0 中元素必须大于零。

• dtype 必须是float，因为 Beta 分布是连续的。

• ValueError - concentration1 或者 concentration0 中元素小于0。

• TypeError - dtype 不是float的子类。

Ascend

>>> import mindspore
>>> import mindspore.nn as nn
>>> import mindspore.nn.probability.distribution as msd
>>> from mindspore import Tensor
>>> # To initialize a Beta distribution of the concentration1 3.0 and the concentration0 4.0.
>>> b1 = msd.Beta([3.0], [4.0], dtype=mindspore.float32)
>>> # A Beta distribution can be initialized without arguments.
>>> # In this case, concentration1 and concentration0 must be passed in through arguments.
>>> b2 = msd.Beta(dtype=mindspore.float32)
>>> # Here are some tensors used below for testing
>>> value = Tensor([0.1, 0.5, 0.8], dtype=mindspore.float32)
>>> concentration1_a = Tensor([2.0], dtype=mindspore.float32)
>>> concentration0_a = Tensor([2.0, 2.0, 2.0], dtype=mindspore.float32)
>>> concentration1_b = Tensor([1.0], dtype=mindspore.float32)
>>> concentration0_b = Tensor([1.0, 1.5, 2.0], dtype=mindspore.float32)
>>> # Private interfaces of probability functions corresponding to public interfaces, including
>>> # prob and log_prob, have the same arguments as follows.
>>> # Args:
>>> #     value (Tensor): the value to be evaluated.
>>> #     concentration1 (Tensor): the concentration1 of the distribution. Default: self._concentration1.
>>> #     concentration0 (Tensor): the concentration0 of the distribution. Default: self._concentration0.
>>> # Examples of prob.
>>> # Similar calls can be made to other probability functions
>>> # by replacing 'prob' by the name of the function
>>> ans = b1.prob(value)
>>> print(ans.shape)
(3,)
>>> # Evaluate with respect to the distribution b.
>>> ans = b1.prob(value, concentration1_b, concentration0_b)
>>> print(ans.shape)
(3,)
>>> # concentration1 and concentration0 must be passed in during function calls
>>> ans = b2.prob(value, concentration1_a, concentration0_a)
>>> print(ans.shape)
(3,)
>>> # Functions mean, sd, mode, var, and entropy have the same arguments.
>>> # Args:
>>> #     concentration1 (Tensor): the concentration1 of the distribution. Default: self._concentration1.
>>> #     concentration0 (Tensor): the concentration0 of the distribution. Default: self._concentration0.
>>> # Example of mean, sd, mode, var, and entropy are similar.
>>> ans = b1.mean()
>>> print(ans.shape)
(1,)
>>> ans = b1.mean(concentration1_b, concentration0_b)
>>> print(ans.shape)
(3,)
>>> # concentration1 and concentration0 must be passed in during function calls.
>>> ans = b2.mean(concentration1_a, concentration0_a)
>>> print(ans.shape)
(3,)
>>> # Interfaces of 'kl_loss' and 'cross_entropy' are the same:
>>> # Args:
>>> #     dist (str): the type of the distributions. Only "Beta" is supported.
>>> #     concentration1_b (Tensor): the concentration1 of distribution b.
>>> #     concentration0_b (Tensor): the concentration0 of distribution b.
>>> #     concentration1_a (Tensor): the concentration1 of distribution a.
>>> #       Default: self._concentration1.
>>> #     concentration0_a (Tensor): the concentration0 of distribution a.
>>> #       Default: self._concentration0.
>>> # Examples of kl_loss. cross_entropy is similar.
>>> ans = b1.kl_loss('Beta', concentration1_b, concentration0_b)
>>> print(ans.shape)
(3,)
>>> ans = b1.kl_loss('Beta', concentration1_b, concentration0_b, concentration1_a, concentration0_a)
>>> print(ans.shape)
(3,)
>>> # Additional concentration1 and concentration0 must be passed in.
>>> ans = b2.kl_loss('Beta', concentration1_b, concentration0_b, concentration1_a, concentration0_a)
>>> print(ans.shape)
(3,)
>>> # Examples of sample.
>>> # Args:
>>> #     shape (tuple): the shape of the sample. Default: ()
>>> #     concentration1 (Tensor): the concentration1 of the distribution. Default: self._concentration1.
>>> #     concentration0 (Tensor): the concentration0 of the distribution. Default: self._concentration0.
>>> ans = b1.sample()
>>> print(ans.shape)
(1,)
>>> ans = b1.sample((2,3))
>>> print(ans.shape)
(2, 3, 1)
>>> ans = b1.sample((2,3), concentration1_b, concentration0_b)
>>> print(ans.shape)
(2, 3, 3)
>>> ans = b2.sample((2,3), concentration1_a, concentration0_a)
>>> print(ans.shape)
(2, 3, 3)

property concentration0

Tensor，concentration0 的值。

property concentration1

Tensor，concentration1 的值。

cdf(value, concentration1, concentration0)

• value (Tensor) - 要计算的值。

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，累积分布函数的值。

cross_entropy(dist, concentration1_b, concentration0_b, concentration1, concentration0)

• dist (str) - 分布的类型。

• concentration1_b (Tensor) - 对比 Beta 分布的 alpha。

• concentration0_b (Tensor) - 对比 Beta 分布的 beta。

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，交叉熵的值。

entropy(concentration1, concentration0)

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，熵的值。

kl_loss(dist, concentration1_b, concentration0_b, concentration1, concentration0)

• dist (str) - 分布的类型。

• concentration1_b (Tensor) - 对比 Beta 分布的 alpha。

• concentration0_b (Tensor) - 对比 Beta 分布的 beta。

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，KL散度。

log_cdf(value, concentration1, concentration0)

• value (Tensor) - 要计算的值。

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，累积分布函数的对数。

log_prob(value, concentration1, concentration0)

• value (Tensor) - 要计算的值。

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，累积分布函数的对数。

log_survival(value, concentration1, concentration0)

• value (Tensor) - 要计算的值。

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，生存函数的对数。

mean(concentration1, concentration0)

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，概率分布的期望。

mode(concentration1, concentration0)

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，概率分布的众数。

prob(value, concentration1, concentration0)

• value (Tensor) - 要计算的值。

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，概率值。

sample(shape, concentration1, concentration0)

• shape (tuple) - 样本的shape。

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，根据概率分布采样的样本。

sd(concentration1, concentration0)

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，概率分布的标准差。

survival_function(value, concentration1, concentration0)

• value (Tensor) - 要计算的值。

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，生存函数的值。

var(concentration1, concentration0)

• concentration1 (Tensor) - Beta 分布的 alpha。默认值：None。

• concentration0 (Tensor) - Beta 分布的 beta。默认值：None。

Tensor，概率分布的方差。