本文小编为大家详细介绍“Pytorch中的torch.distributions库怎么使用”，内容详细，步骤清晰，细节处理妥当，希望这篇“Pytorch中的torch.distributions库怎么使用”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。
Pytorch torch.distributions库
包介绍
torch.distributions包包含可参数化的概率分布和采样函数。 这允许构建用于优化的随机计算图和随机梯度估计器。
不可能通过随机样本直接反向传播。 但是，有两种主要方法可以创建可以反向传播的代理函数。
这些是
评分函数估计量 score function estimato
似然比估计量 likelihood ratio estimator
REINFORCE
路径导数估计量 pathwise derivative estimator
REINFORCE 通常被视为强化学习中策略梯度方法的基础，
路径导数估计器常见于变分自编码器的重新参数化技巧中。
虽然评分函数只需要样本 f(x)的值，但路径导数需要导数 f'(x)。
本文重点讲解Pytorch中的 torch.distributions库。
pytorch 的 torch.distributions 中可以定义正态分布：
import torch
from torch.distributions import Normal
mean=torch.Tensor([0,2])
normal=Normal(mean,1)
sample()就是直接在定义的正太分布（均值为mean，标准差std是１）上采样：
result = normal.sample()
print("sample():",result)输出：
sample(): tensor([-1.3362, 3.1730])
rsample()不是在定义的正太分布上采样，而是先对标准正太分布 N(0,1) 进行采样，然后输出：
mean + std × 采样值
result = normal.rsample()
print("rsample():",result)输出：
rsample: tensor([ 0.0530, 2.8396])
log_prob(value)是计算value在定义的正态分布（mean,1）中对应的概率的对数，正太分布概率密度函数是:
对其取对数可得:
这里我们通过对数概率还原其对应的真实概率：
print("result log_prob:",normal.log_prob(result).exp())输出：
result log_prob: tensor([ 0.1634, 0.2005])