在学习斯坦福大学TensorFlow教程第二节课（https://www.youtube.com/watch?v=9kC836XhICU&list=PLQ0sVbIj3URf94DQtGPJV629ctn2c1zN-&index=2）的时候，遇到几个随机数生成的方法，这里学习一下。 第一个是tf.random_normal()，该方法就是用正态分布产生随机数，默认是标准正态分布。 第二个是tf

torch.multinomial 是PyTorch中的一个函数，用于从多项分布中抽取样本。多项分布是一种描述多个可能结果的概率分布，例如抛硬币、掷骰子等。 torch.multinomial的用法如下： torch.multinomial(input, num_samples, replacement=False, *, generator=None, out=None) 参数说

Dirichlet分布其实也是采样出一个值（向量），从这个意义上来说，它其实和其它分布并无太大不同？那为什么大家都说Dirichlet分布式分布的分布呢？因为Dirichlet分布出现的场景，总是用于生成别的分布（更确切地说，总是用于生成Multinomial分布） Dirichlet分布得到的向量各个分量的和是1，这个向量可以作为Multinomial分布的参数，所以我们说Dirichlet能

阅读本文需要的背景知识点：对数几率回归算法、一丢丢编程知识 一、引言   前面介绍了对数几率回归算法，该算法叫做回归算法，但其实是用来处理分类问题，将数据集分为了两类，用 0、1 或者是 -1、1 来表示。现实中不仅仅有二分类问题，同时也有很多是例如识别手写数字 0～9 等这种多分类的问题，下面我们就来介绍下多分类的对数几率回归算法1（Multinomial Logistic Regressi