torch.nn.functional.gumbel_softmax

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

从 Gumbel-Softmax 分布中采样 (链接 1 链接 2) 并可选择离散化。

参数

• logits (Tensor) – […, num_features] 未归一化的对数概率

• tau (float) – 非负标量温度

• hard (bool) – 如果 True，则返回的样本将被离散化为 one-hot 向量，但在 autograd 中将被微分，就像它是软样本一样

• dim (int) – 将计算 softmax 的维度。默认值：-1。

返回

从 Gumbel-Softmax 分布中采样的张量，形状与 logits 相同。如果 hard=True，则返回的样本将是 one-hot 向量；否则，它们将是概率分布，在 dim 上求和为 1。

返回类型

Tensor

注意

此函数出于历史遗留原因在此处，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

它实现了两件事： - 使输出值完全为 one-hot 向量（因为我们先加后减 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)