问题描述
我想用张量流创建一个多维高斯概率密度函数（比如下图中的二维高斯函数）。
对于一维，它就像一个魅力：
_interceptors.response但是对于更高的维度，我在使用 d = tfp.distributions.normal(loc=5.0,scale=3.0)
x = d.prob(tf.range(0,10,dtype=tf.float32))
或 InvalidArgumentError: Incompatible shapes 分布时遇到 normal 错误...我错过了什么？应该如何使用MultivariatenormalDiag方法输出多维张量上的概率密度函数？
解决方法
如果我理解正确，您可以执行以下操作：
mu = [0,0]
cov = [[1,0],[0,1]]
mv_normal = np.random.multivariate_normal(mu,cov,size=1000)
mv_normal_mean = np.mean(mv_normal,axis=0)
mv_normal_cov = np.cov(mv_normal,rowvar=0)
mv_normal_diag = np.diag(mv_normal_cov)
mv_normal_stddev = np.sqrt(mv_normal_diag)
mv_normal 就像：
mv_normal
array([[-1.73476374,0.17578855],[ 0.11866498,-0.66417069],[ 1.52000069,-1.3004096 ],...,[-1.37625595,-0.46864374],[ 0.81659449,0.70524036],[ 1.12183633,0.14196896]])
mv_normal_mean 和 mv_normal_cov 等只是这里的数组。它们将用于创建：
mvn = tfd.MultivariateNormalDiag(
loc=mv_normal_mean,scale_diag=mv_normal_stddev)
值可以被视为：
mvn_mean
array([-0.03976356,0.07387231])
mv_normal_cov
array([[ 1.04138867,-0.00877481],[-0.00877481,0.97736496]])
您可以使用等高线图进行绘图。
x1,x2 = np.meshgrid(mv_normal[:,mv_normal[:,1])
data = np.stack((x1.flatten(),x2.flatten()),axis=1)
prob = mvn.prob(data).numpy()
plt.figure(figsize = (12,9))
ax = plt.axes(projection='3d')
ax.plot_surface(x1,x2,prob.reshape(x1.shape),cmap = 'Blues')
plt.show()
这将产生如下：
