torch.nn.functional.gumbel_softmax

torch.nn.functional.gumbel_softmax(logits, tau=1, hard=False, eps=1e-10, dim=-1)

从 Gumbel-Softmax 分布中抽样（链接 1 链接 2）并可选地离散化。

参数

• logits (张量) – […, num_features] 未标准化的对数概率

• tau (浮点数) – 非负标量温度

• hard (布尔值) – 如果为 True，则返回的样本将被离散化为独热向量，但在自动梯度中将被区分，就好像它是软样本一样

• dim (整数) – 将计算 softmax 的维度。默认值：-1。

返回值

从 Gumbel-Softmax 分布中抽样的张量，与 logits 的形状相同。如果 hard=True，则返回的样本将是独热的，否则它们将是概率分布，这些概率分布在 dim 上求和为 1。

返回类型

张量

注意

此函数出于遗留原因在此处，将来可能会从 nn.Functional 中删除。

注意

hard 的主要技巧是执行 y_hard - y_soft.detach() + y_soft

它实现了两个目标：- 使输出值完全成为独热向量（因为我们添加然后减去 y_soft 值）- 使梯度等于 y_soft 梯度（因为我们剥离了所有其他梯度）

示例：

>>> logits = torch.randn(20, 32)
>>> # Sample soft categorical using reparametrization trick:
>>> F.gumbel_softmax(logits, tau=1, hard=False)
>>> # Sample hard categorical using "Straight-through" trick:
>>> F.gumbel_softmax(logits, tau=1, hard=True)