干货总结！深度学习必须掌握的 13 种概率分布

3、二项分布（离散）

代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/binomial.py

• 参数为 n 和 p 的二项分布是一系列 n 个独立实验中成功次数的离散概率分布。
  

• 二项式分布是指通过指定要提前挑选的数量而考虑先验概率的分布。

4、多伯努利分布，分类分布（离散）

代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/categorical.py

• 多伯努利称为分类分布。
  

• 交叉熵和采取负对数的多伯努利分布具有相同的形式。

5、多项式分布（离散）

代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/multinomial.py

多项式分布与分类分布的关系与伯努尔分布与二项分布的关系相同。

6、β分布（连续）

代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/beta.py

• β分布与二项分布和伯努利分布共轭。
  

• 利用共轭，利用已知的先验分布可以更容易地得到后验分布。
  

• 当β分布满足特殊情况（α=1，β=1）时，均匀分布是相同的。

7、Dirichlet 分布（连续）

代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/dirichlet.py

• dirichlet 分布与多项式分布是共轭的。
  

• 如果 k=2，则为β分布。

8、伽马分布（连续）

代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/gamma.py

• 如果 gamma（a，1）/gamma（a，1）+gamma（b，1）与 beta（a，b）相同，则 gamma 分布为β分布。
  

• 指数分布和卡方分布是伽马分布的特例。

9、指数分布（连续）

代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/exponential.py

指数分布是 α 为 1 时 γ 分布的特例。

10、高斯分布（连续）

代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/gaussian.py

高斯分布是一种非常常见的连续概率分布。

11、正态分布（连续）

代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/normal.py

正态分布为标准高斯分布，平均值为 0，标准差为 1。

12、卡方分布（连续）

代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/chi-squared.py