摘要：本次就和大家聊一聊深度學習中的概率，
本文分享自華為云社區《【MindSpore易點通】深度學習中的概率》，作者： chengxiaoli，
為什么會用到概率呢？因為在深度學習中經常會需要處理隨機的資料，或者包含隨機性的任務，隨機性也來自非常多的方面，所以在存在不確定性的情況下，都需要用到概率，本次就和大家聊一聊深度學習中的概率，
隨機變數
首先我們來認識下隨機變數，變數我們應該都很熟悉，例如在Python語言中，變數會關聯并表示一個固定的值；那么隨機變數也很好理解，就是可以隨機的表示不同值的變數，例如x1和x2都是隨機變數X可能取到的值，這種情況而言，一個隨機變數只是對可能狀態的描述，并且這個描述必須搭配一個概率分布來表達每個取值的可能性，
隨機變數可以可以分為兩種情況：連續的和離散的，連續的隨機變數伴隨著實數值；離散的隨機變數擁有有限或者可數無限多的狀態，這些狀態并不一定是整數形式，也可以是一些被命名的狀態而沒有數值，這也是連續隨機變數和離散隨機變數的區別，
概率分布
介紹完了隨機變數，那么隨機變數如何表示呢？答案是概率分布，概率分布就是用來表示連續隨機變數或者離散隨機變數其中一段中，每個可能取到的值的可能性大小，描述概率分布的方式也取決于隨機變數是連續的還是離散的，下面我們就分析這兩種情況下的概率分布，
連續型隨機變數：當我們面對的是連續型隨機變數時，這時會用到概率密度函式，那么什么是概率密度函式呢，我們假設一個函式P，那么P需要滿足以下三個條件，
·p的定義范圍必須是X所有可能狀態的集合；
·p(x)≥0，但并不一定要p(x)≤1；
·∫p(x)d(x)=1，
連續型隨機變數的概率密集型函式p(x)不會直接給出不同狀態下的概率，而是通過計算p(x)所在區域面積的值表示概率，因此可以對概率密度函式求積分計算出特定狀態下的真實概率質量，x落在集合S中的概率可以通過對這個集合積分得到，那么在單變數的例子中，x落在[a,b]的概率則是∫[a,b]p(x)d(x)，
離散型隨機變數：如果我們面對的是離散型變數的概率分布，那么就可以用概率質量函式進行計算，這里用大寫P表示，一般每一個隨機變數都會有一個不同的概率質量函式，并且必須根據隨機變數推斷出所使用的概率質量函式，
概率質量函式把隨機變數可以取得的每一個值映射到隨機變數取得該狀態的概率，X=x的概率用P(x)進行表示，
·P(x)=1表示X=x是一定發生的；
·P(x)=0表示X=x是不可能發生的，
概率質量函式可以同時作用在多個隨機變數，多個變數的概率分布也可以稱為聯合概率分布，P(X=x,Y=y)表示的X=x和Y=y同時發生的概率，這也可以簡寫為P(x,y)，
如果函式P是隨機變數X的概率質量函式，函式需要滿足以下三個條件，
·P的定義范圍必須是X所有可能狀態的集合；
·0≤P(x)≤1，不可能發生的事件概率為0，一定發生的概率為1；
·∑P(x)=1，保障某一個狀態概率不會大于1，
假設一個離散型隨機變數X有k個不同的取值，我們可以假設X屬于均勻分布的，也就是取得每一個值的可能性是相同的，因此推斷出概率質量函式為：
P(X=xi)=1/k
該函式對所有的i都成立，符合成為概率質量函式的條件，
邊緣概率：在我們知道一組變數的聯合概率分布，但是想要了解其中一個子集的概率分布，這種定義在子集上的概率分布被稱為邊緣概率計算，
假設有離散型隨機變數x和y，并且我們知道P(x,y)，如果我們需要計算P(x)，那么可以通過求和的辦法進行計算，將X=x時，Y=y1、y2、…yi…yn的概率累加求出來，
總結
本次內容給大家分享了深度學習中的概率，分析了概率的兩種分布型別：連續型和離散型，以及兩種概率分布函式要滿足的條件和計算方法，
點擊關注，第一時間了解華為云新鮮技術~
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/536110.html
標籤：其他