distribution-is-all-you-need

distribution-is-all-you-need distribution-is-all-you-need 是集中在使用python库深度学习上的基本分布概率教程. 分布概率概述 “共轭”表示它具有共轭分布的关系。 在【贝叶斯概率】理论中，如果[后验分布]p(θ | x)在同一[概率分布族]中作为[先验概率分布]p(θ)，先验和后验被称为共轭分布，并且先验被称为[似然函数]的共轭先验. “多类”表示随机变量大于2。 “N次”意味着我们还考虑先验概率P（X）。 要了解更多关于概率的信息，我建议阅读[模式识别和机器学习，Bishop 2006]。 分布概率和特征 均匀分布（连续）, code 均匀分布在[a，b]上具有相同的概率值，容易概率。 伯努利分布（离散）, code 伯努利分布不考虑先验概率P（X）。因此，如果我们优化到最大似然，我们将很容易受到过拟合的影响。 我们使用二进制交叉熵对二进制分类进行分类。它的形式和取伯努利分布的负对数是一样的。 B二项式分布（离散）, code 参数为n和p的二项式分布是n个独立实验序列中成功次数的离散概率分布。 二项式分布是通过预先指定要选取的数量来考虑先验概率的分布。 多重伯努利分布，范畴分布（离散）, code 多伯努利称为范畴分布，是一种概率展开大于2的分布。 交叉熵具有相同的形式，类似于多伯努利分布的负对数。