1回答
我有两个长度不同的向量，我想使用R中的density()函数从密度估计中计算DKL。 DKL的方程式如下。 ?
浏览 17提问于2019-04-10得票数 0
回答已采纳
2回答
在x再训练的基础上，计算每个模型的x预测误差，并绘制相应的分布图。这意味着，对于模型A，我们有一个误差密度\mathcal{D}_A，对于B一个密度\mathcal{D}_B。我想过的简单的、可能不正确的方法是:决定一个参考密度\mathcal{D}(例如，\mathcal{N}(0,1))，使用KL-散度计算A和B密度与参考密度之间的“距离”，并选择距离较小的模型。
浏览 0提问于2021-07-17得票数 2
回答已采纳
1回答
如果我正确理解，KL-散度是两个分布的相对熵。要计算两个分布的KL散度，需要两个随机变量向量。
我不明白的是，如何计算VAE (潜空间向量和N(0,1) )中的KL散度，正如许多教程中所述。我的问题是，如何正确地将潜在空间向量创建为随机变量向量，这样最终就可以计算出KL散度。
浏览 0提问于2018-12-10得票数 0
回答已采纳
1回答
我的问题是，当我们将参数kl_use_exact设置为False时，我们没有考虑到先前的函数。我试着查看DenseVariational类的源代码(_make_kl_divergence_penalty函数)，比以前更加困惑，我没有使用kl_use_exact。
浏览 19提问于2022-06-22得票数 0
回答已采纳
我尝试使用以下代码计算两个OneHotCategorical分布之间的KL散度： posterior = tfd.OneHotCategorical(probs=[0., 0., 0., 0., 0.结果是： print(posterior.kl_divergence(prior))
tf.Tensor(nan, shape=(), dtype=float32) 这是一个bug，还是想要的结果？我测试了一下，错误指的是KL散度的<em
浏览 15提问于2020-01-14得票数 1
我是R的新手，正在尝试寻找一个函数来计算R中的JS散度。我可以看到R有用于计算KL散度的KLdiv，但是有什么可用于JS散度的吗？
浏览 3提问于2012-06-27得票数 6
我试图确定如何计算两个torch.distribution.Distribution对象的KL散度。到目前为止，我还没有找到一个函数来完成这个任务。以下是我尝试过的：from torch import distributions as tdist
def kl_divergence(x: t.distributions.Distribution, y: t.distributions.Distribut
浏览 54提问于2022-06-23得票数 3
回答已采纳
1回答
联合多峰直方图
、、、
我正在分析一堆数据文件，这些文件代表了细胞对药物添加的反应。如果不加药，细胞反应正常，如果加药，就会显示出异常的模式：，。我们决定用振幅直方图来分析这一点，以便区分振幅变化和二值响应发生变化的概率。我们从文件1得到的是：📷📷
但问题是:我们应该如何量化这一变化:一个显而易见的答案是做一个积分，但由于药物的加入可能会增加“噪音”谱(第一个峰值auc)，所以这并不是完全应该做的事情。此外，其他数据文件不一定包含相同数量的离子通道(响应单元)，因此由于生物可变性，它们的pdfs可能有或多或少的峰值。如何总结出多峰高斯的特征，峰的数目是否会变化？
浏览 0提问于2019-10-13得票数 2
2回答
我在理解KL-散度以及如何使用它进行特征选择时有点困难。因此，假设我有一组观察值(例如，0和1)，并为每个观察值生成2个特征。我现在的问题是:为什么特性是“最好的”？我知道我可以使用KL-散度(由$$D_{KL} =log(I)\ \sum_i \frac{ p(i) }{q(I)}$$给出)，但是什么是P，什么是Q？我的直觉告诉我，P是特征1，Q是真正的分布(所以是0和1的集合)，但我的理解也是，一个好的特征可以最大化KL<
浏览 4提问于2016-06-04得票数 0
利用核估计得到了一个非参数概率密度函数。然后，用Kullback-leiber散度比较连续变量的两个核分布之间的尾部距离。我尝试了以下代码： integrand <- function(x,y) {
#the Kullback-leib
浏览 3提问于2020-05-12得票数 0
1回答
我的想法是估计每个数据集中的高斯KDE，并计算估计的KDE之间的KL-差异。但是，我很难计算出分布之间的“距离”。kernel1 = stats.gaussian_kde(dataset1)我知道我可以用entropy(pk, qk)来计算kl-散度，但我不明白怎么从核开始。我考虑过生成一些随机点并使用entropy(kernel1.pdf(points)
浏览 2提问于2022-12-04得票数 0
回答已采纳
在许多深层神经网络中，特别是基于VAE结构的神经网络中，在损失函数的基础上加入了KL散度项。计算了估计的高斯分布和先验分布之间的散度。对于高斯分布，KL散度有一个封闭形式的解。通过最小化KL散度，使估计分布更接近先验分布。
我的问题是，既然高斯分布完全由均值和协方差来描述，我们为什么不直接在估计的参数和先前的参数之间进行MSE呢？均值和协方差之间的最小均方误差也使这两个分布更加接近
浏览 0提问于2019-12-23得票数 2
回答已采纳
In [15]: a = np.array([0.5, 0.5, 0, 0, 0])
Out[17]: inf
Out[18]: 0.6931471805599453
浏览 2提问于2019-07-29得票数 2
回答已采纳
2回答
给出从两个不同分布中抽取的两组样本，用这些样本计算得到两个分布之间KL-散度的估计值吗？我想检查一下这个解释是否正确，或者我是否遗漏了什么。
浏览 0提问于2018-03-22得票数 3
1回答
python中的Scipy提供了以下函数，这些函数似乎计算相同的信息论度量，Kullback散度，也称为相对熵：
可以切换到计算KL-散度的scipy.stats.entropy，，如果是qk=Nonescipy.special.rel_entrscipy.special.kl_div
浏览 8提问于2020-08-12得票数 2
回答已采纳
1回答
在对观测数据进行聚类之前，我首先计算了观测值之间的pdist，然后使用MATLAB中的mdscale函数返回到三维。我使用transformed_observation作为k均值聚类算法的输入，与使用原始观测值相比，获得了更好的聚类结果(即，聚类与标签匹配)。任何人都能解释我为什么？我刚试过..。
浏览 1提问于2016-01-26得票数 0
回答已采纳
像在1中一样，the的工作原理是逐步减少Kullback (KL)散度，直到满足一定的条件为止。The的创建者建议使用KL差异作为可视化的性能标准：
浏览 0提问于2014-07-17得票数 11
回答已采纳
1回答
因此，我使用枕库的rel_entr模块来计算KL散度。我已经读过一些文章，其中提到KL散度输出为0表示这两个分布基本上是相同的。另外，我读到KL散度是无界的。因此，KL值介于0和无穷大之间。因此，考虑到这些知识，我在我的研究中没有遇到的一点是，是否存在与KL值有关的“阈值”。我的意思是，在什么价值(由KL发散给)，我看这个值，并得出'P
浏览 7提问于2022-04-12得票数 0
云服务器
ICP备案
实时音视频
对象存储
云直播
腾讯云开发者
