本文共 2177 字，大约阅读时间需要 7 分钟。

tf.multinomial()/tf.random.categorical()用法解析

首先说一下，tf.multinomial()在tensorflow2.0版本已经被移除，取而代之的就是tf.random.categorical()

网上的很多博客解释的都不清楚，官网......解释的也很模糊，于是想自我总结一下，顺便帮助对此也很困惑的人～

因为tf.multinomial()被tf.random.categorical()替代，所以下文以tf.random.categorical()为描述方式进行介绍

官网的解释

tf.random.categorical

从一个分类分布中抽取样本（tf.multinomial()是多项分布）

别名:

• tf.compat.v1.random.categorical
• tf.compat.v2.random.categorical

tf.random.categorical(    logits,    num_samples,    dtype=None,    seed=None,    name=None)

例子:

# samples has shape [1, 5], where each value is either 0 or 1 with equal# probability.samples = tf.random.categorical(tf.math.log([[10., 10.]]), 5)

参数:

• logits: 形状为 [batch_size, num_classes]的张量. 每个切片 [i, :] 代表对于所有类的未正规化的log概率。
• num_samples: 0维，从每一行切片中抽取的独立样本的数量。
• dtype: 用于输出的整数类型，默认为int64。
• seed: 一个Python整数，用于创建分布的随机种子。See for behavior.
• name: 操作的可选名字

Returns:

形状为[batch_size, num_samples]的抽取样本.

个人理解

1. 这个函数的意思就是，你给了一个batch_size × num_classes的矩阵，这个矩阵是这样的：

2. 这里的抽样方法可以再详细解释一下，举个例子（请不要考虑真实性），给一行[1.0,2.0,2.0,2.0,6.0]，采样4次，那么结果很大可能都是[4,4,4,4]（不信可以试一下），因为下标为4的概率（6.0）远远高于其他的概率，当然也会出现比如[4,4,2,4]这样的情况，就是说其他的下标因为给定的概率就低，所以被采样到的概率也就低了。

3. 官网解释中logits，也就是你给的矩阵，每个切片 [i, :] 代表对于所有类的未正规化的log概率（即其和不为1），但必须是小数，就像官网的样例一样，就算是整数，后面也要加一个小数点，否则会报错。

4. 返回值是什么的问题，返回的其实不是抽取到的样本，而是抽取样本在每一行的下标。

为了能更加充分的理解，下面奉上一个小小的例子：

import tensorflow as tf;for i in tf.range(10):    samples = tf.random.categorical([[1.0,1.0,1.0,1.0,4.0],[1.0,1,1,1,1]], 6)    tf.print(samples)

 输出结果

[[4 4 4 4 4 1] [3 1 3 0 4 3]][[4 0 4 4 4 1] [1 0 2 4 1 2]][[0 4 4 0 4 4] [3 0 0 1 1 4]][[4 4 4 4 4 0] [2 1 4 3 4 4]][[4 4 2 4 4 4] [1 3 1 0 4 0]][[4 4 4 4 4 4] [3 0 4 1 1 1]][[4 4 0 0 4 4] [3 3 0 3 2 2]][[1 4 4 4 4 4] [2 2 1 3 0 2]][[4 4 4 4 4 4] [2 4 4 3 2 2]][[4 4 4 4 3 4] [2 4 2 2 1 0]]

看到这估计你就能理解了，其中[[1.0,1.0,1.0,1.0,4.0],[1.0,1,1,1,1]]就是需要进行采样的矩阵，这里加小数点其实可以只加一个，只要让程序知道你用的是概率就行（当然实际都是通过tf.log()得到的不用手动输入），输出结果自然就是样本所在行的下标，多运行几次，就能更直观的感受到，设定的概率和采样结果之间的关系。（比如这里第一行的采样结果很多都是最后一个样本，第二行因为概率相同，采样结果就很均匀）

就这么多啦，如果文章有错误或者有疑问欢迎评论区交流呀(●’◡’●)ﾉ ～

转载地址：https://meteorrain.blog.csdn.net/article/details/99701349 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！