PROSAGA码农传奇-深度学习-任何人都可以用一个很小的例子来解释tf.random.categorical的参数吗？

<div class =“post-text”itemprop =“text”>
  
    如你所知，
    <a href="https://www.tensorflow.org/api_docs/python/tf/random/categorical" rel="nofollow noreferrer">
       <code>
 tf.random.categorical
 </code>
    </A>
     有两个参数：
  
  <UL>
    <LI>
       <code>
 logits
 </code>
      ，具有形状的2D浮动张量
       <code>
 [batch_size, num_classes]
 </code>
      。
    </LI>
    <LI>
       <code>
 num_samples
 </code>
      和整数标量。
    </LI>
  </UL>
  
    输出是具有形状的2D整数张量
     <code>
 [batch_size, num_samples]
 </code>
    。
  
  
    每个“行”的
     <code>
 logits
 </code>
     张量（
     <code>
 logits[0, :]
 </code>
    ，
     <code>
 logits[1, :]
 </code>
    ，...）表示不同的事件概率
    <a href="https://en.wikipedia.org/wiki/Categorical_distribution" rel="nofollow noreferrer">
      分类分布
    </A>
    。但是，该函数不期望实际概率值，而是非标准化的对数概率;所以实际的概率是
     <code>
 softmax(logits[0, :])
 </code>
    ，
     <code>
 softmax(logits[1, :])
 </code>
    这样做的好处是你可以基本上给出任何实际值作为输入（例如神经网络的输出），它们将是有效的。此外，使用对数使用特定的概率值或比例是微不足道的。例如，两者
     <code>
 [log(0.1), log(0.3), log(0.6)]
 </code>
     和
     <code>
 [log(1), log(3), log(6)]
 </code>
     表示相同的概率，其中第二类是第一类的三倍，但只有第三类的可能性的一半。
  
  
    对于每行（非标准化log-）概率，你得到
     <code>
 num_samples
 </code>
     来自分布的样本。每个样本之间是一个整数
     <code>
 0
 </code>
     和
     <code>
 num_classes - 1
 </code>
    ，根据给定的概率绘制。因此结果是具有形状的2D张量
     <code>
 [batch_size, num_samples]
 </code>
     每个分布的采样整数。
  
  
    编辑：功能的一个小例子。
  
   <pre>
 <code>
 import tensorflow as tf

with tf.Graph().as_default(), tf.Session() as sess:
    tf.random.set_random_seed(123)
    logits = tf.log([[1., 1., 1., 1.],
                     [0., 1., 2., 3.]])
    num_samples = 30
    cat = tf.random.categorical(logits, num_samples)
    print(sess.run(cat))
    # [[3 3 1 1 0 3 3 0 2 3 1 3 3 3 1 1 0 2 2 0 3 1 3 0 1 1 0 1 3 3]
    #  [2 2 3 3 2 3 3 3 2 2 3 3 2 2 2 1 3 3 3 2 3 2 2 1 3 3 3 3 3 2]]

</code>
 </pre>
  
    在这种情况下，结果是一个包含两行和30列的数组。第一行中的值是从每个类的分类分布中采样的（
     <code>
 [0, 1, 2, 3]
 </code>
    ）具有相同的概率。在第二行，类
     <code>
 3
 </code>
     是最有可能的一个，和班级
     <code>
 0
 </code>
     没有被采样的可能性。
  
</DIV>