File size: 1,752 Bytes
3a1da90 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 |
from typing import Optional
import torch
def log_normal_sample(x: torch.Tensor,
generator: Optional[torch.Generator] = None,
m: float = 0.0,
s: float = 1.0) -> torch.Tensor:
bs = x.shape[0]
s = torch.randn(bs, device=x.device, generator=generator) * s + m
return torch.sigmoid(s)
import torch
from typing import Optional, Tuple
def log_normal_sample_r_t(
x: torch.Tensor,
generator: Optional[torch.Generator] = None,
m: float = 0.0,
s: float = 1.0,
epsilon: float = 1.0 # 控制第二个张量的最小增量
) -> Tuple[torch.Tensor, torch.Tensor]:
"""
生成两个张量，确保第二个张量的每个元素都大于第一个张量。
参数:
x (torch.Tensor): 输入张量（用于确定 batch_size 和设备）
generator (torch.Generator, optional): 随机数生成器
m (float): 正态分布的均值（默认为 0）
s (float): 正态分布的标准差（默认为 1）
epsilon (float): 控制第二个张量的最小增量（默认为 1）
返回:
Tuple[torch.Tensor, torch.Tensor]: 两个经过 sigmoid 处理的张量，第二个的每个元素均大于第一个
"""
bs = x.shape[0]
device = x.device
# 生成第一个张量的原始值
s1 = torch.randn(bs, device=device, generator=generator) * s + m
# 生成第二个张量，确保每个元素比第一个大：
# 使用绝对值正态分布作为增量，保证非负性
increment = torch.abs(torch.randn(bs, device=device, generator=generator)) * epsilon
s2 = s1 + increment
# 应用 sigmoid 并返回
#第二个比第一个大
return torch.sigmoid(s1), torch.sigmoid(s2) |