# mindspore.nn.probability.distribution.Cauchy

class mindspore.nn.probability.distribution.Cauchy(loc=None, scale=None, seed=None, dtype=mstype.float32, name='Cauchy')[源代码]

$f(x, a, b) = 1 / \pi b(1 - ((x - a)/b)^2).$

• loc (int, float, list, numpy.ndarray, Tensor) - 柯西分布的位置。默认值：None。

• scale (int, float, list, numpy.ndarray, Tensor) - 柯西分布的比例。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) - 事件样例的类型。默认值：mstype.float32。

• name (str) - 分布的名称。默认值：’Cauchy’。

Note

• scale 中的元素必须大于零。

• dtype 必须是float，因为柯西分布是连续的。

• GPU后端不支持柯西分布。

• ValueError - scale 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 Cauchy distribution of loc 3.0 and scale 4.0.
>>> cauchy1 = msd.Cauchy(3.0, 4.0, dtype=mindspore.float32)
>>> # A Cauchy distribution can be initialized without arguments.
>>> # In this case, 'loc' and scale must be passed in through arguments.
>>> cauchy2 = msd.Cauchy(dtype=mindspore.float32)
>>> # Here are some tensors used below for testing
>>> value = Tensor([1.0, 2.0, 3.0], dtype=mindspore.float32)
>>> loc_a = Tensor([2.0], dtype=mindspore.float32)
>>> scale_a = Tensor([2.0, 2.0, 2.0], dtype=mindspore.float32)
>>> loc_b = Tensor([1.0], dtype=mindspore.float32)
>>> scale_b = Tensor([1.0, 1.5, 2.0], dtype=mindspore.float32)
>>> # Private interfaces of probability functions corresponding to public interfaces, including
>>> # prob, log_prob, cdf, log_cdf, survival_function, and log_survival,
>>> # have the same arguments as follows.
>>> # Args:
>>> #     value (Tensor): the value to be evaluated.
>>> #     loc (Tensor): the location of the distribution. Default: self.loc.
>>> #     scale (Tensor): the scale of the distribution. Default: self.scale.
>>> # Examples of prob.
>>> # Similar calls can be made to other probability functions
>>> # by replacing 'prob' by the name of the function
>>> ans = cauchy1.prob(value)
>>> print(ans.shape)
(3,)
>>> # Evaluate with respect to distribution b.
>>> ans = cauchy1.prob(value, loc_b, scale_b)
>>> print(ans.shape)
(3,)
>>> # loc and scale must be passed in during function calls
>>> ans = cauchy2.prob(value, loc_a, scale_a)
>>> print(ans.shape)
(3,)
>>> # Functions mode and entropy have the same arguments.
>>> # Args:
>>> #     loc (Tensor): the location of the distribution. Default: self.loc.
>>> #     scale (Tensor): the scale of the distribution. Default: self.scale.
>>> # Example of mode.
>>> ans = cauchy1.mode() # return 3.0
>>> print(ans.shape)
()
>>> ans = cauchy1.mode(loc_b, scale_b) # return loc_b
>>> print(ans.shape)
(3,)
>>> # loc and scale must be passed in during function calls.
>>> ans = cauchy2.mode(loc_a, scale_a)
>>> print(ans.shape)
(3,)
>>> # Interfaces of 'kl_loss' and 'cross_entropy' are the same:
>>> # Args:
>>> #     dist (str): the type of the distributions. Only "Cauchy" is supported.
>>> #     loc_b (Tensor): the loc of distribution b.
>>> #     scale_b (Tensor): the scale distribution b.
>>> #     loc (Tensor): the loc of distribution a. Default: self.loc.
>>> #     scale (Tensor): the scale distribution a. Default: self.scale.
>>> # Examples of kl_loss. cross_entropy is similar.
>>> ans = cauchy1.kl_loss('Cauchy', loc_b, scale_b)
>>> print(ans.shape)
(3,)
>>> ans = cauchy1.kl_loss('Cauchy', loc_b, scale_b, loc_a, scale_a)
>>> print(ans.shape)
(3,)
>>> # Additional loc and scale must be passed in.
>>> ans = cauchy2.kl_loss('Cauchy', loc_b, scale_b, loc_a, scale_a)
>>> print(ans.shape)
(3,)
>>> # Examples of sample.
>>> # Args:
>>> #     shape (tuple): the shape of the sample. Default: ()
>>> #     loc (Tensor): the location of the distribution. Default: self.loc.
>>> #     scale (Tensor): the scale of the distribution. Default: self.scale.
>>> ans = cauchy1.sample()
>>> print(ans.shape)
()
>>> ans = cauchy1.sample((2,3))
>>> print(ans.shape)
(2, 3)
>>> ans = cauchy1.sample((2,3), loc_b, scale_b)
>>> print(ans.shape)
(2, 3, 3)
>>> ans = cauchy2.sample((2,3), loc_a, scale_a)
>>> print(ans.shape)
(2, 3, 3)

property loc

Tensor，分布的位置值。

property scale

Tensor，分布的比例值。

cdf(value, loc, scale)

• value (Tensor) - 要计算的值。

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，累积分布函数的值。

cross_entropy(dist, loc_b, scale_b, loc, scale)

• dist (str) - 分布的类型。

• loc_b (Tensor) - 对比分布位置参数。

• scale_b (Tensor) - 对比分布比例参数。

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，交叉熵的值。

entropy(loc, scale)

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，熵的值。

kl_loss(dist, loc_b, scale_b, loc, scale)

• dist (str) - 分布的类型。

• loc_b (Tensor) - 对比分布位置参数。

• scale_b (Tensor) - 对比分布比例参数。

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，KL散度。

log_cdf(value, loc, scale)

• value (Tensor) - 要计算的值。

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，累积分布函数的对数。

log_prob(value, loc, scale)

• value (Tensor) - 要计算的值。

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，累积分布函数的对数。

log_survival(value, loc, scale)

• value (Tensor) - 要计算的值。

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，生存函数的对数。

mean(loc, scale)

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，概率分布的期望。

mode(loc, scale)

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，概率分布的众数。

prob(value, loc, scale)

• value (Tensor) - 要计算的值。

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，概率值。

sample(shape, loc, scale)

• shape (tuple) - 样本的shape。

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，根据概率分布采样的样本。

sd(loc, scale)

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，概率分布的标准差。

survival_function(value, loc, scale)

• value (Tensor) - 要计算的值。

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，生存函数的值。

var(loc, scale)

• loc (Tensor) - 分布位置参数。默认值：None。

• scale (Tensor) - 分布比例参数。默认值：None。

Tensor，概率分布的方差。