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 (链接 1 链接 2) 中采样，并可选择性地离散化。

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) – 如果为 True，则返回的样本将被离散化为 one-hot 向量，但在 autograd 中将像软样本一样进行反向传播。

• dim (int) – 将在其上计算 softmax 的一个维度。默认值：-1。

返回

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

返回类型

张量

注意

此函数出于历史原因而保留，将来可能会从 nn.Functional 中移除。

注意

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

这实现了两个目的：- 使输出值精确为 one-hot（因为我们添加然后减去 y_soft 值）- 使梯度等于 y_soft 的梯度（因为我们去除了所有其他梯度）

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)