深度学习必须掌握的13种概率分布
一.概率分布概述共轭意味着它有共轭分布的关系。在贝叶斯概率论中，如果后验分布p（θx）与先验概率分布p（θ）在同一概率分布族中，则先验和后验称为共轭分布，先验称为似然函数的共轭先验。共轭先验维基百科在这里（https://en.wikipedia.org/wiki/Conjugate_prior）。多分类表示随机方差大于2。n次意味着我们也考虑了先验概率p（x）。为了进一步了解概率，我建议阅读[patternrecognitionandmachinelearning，Bishop2
一. 概率分布概述
- 共轭意味着它有共轭分布的关系。
- 在贝叶斯概率论中，如果后验分布 p（θx）与先验概率分布 p（θ）在同一概率分布族中，则先验和后验称为共轭分布，先验称为似然函数的共轭先验。共轭先验维基百科在这里（https://en.wikipedia.org/wiki/Conjugate_prior）。
- 多分类表示随机方差大于 2。
- n 次意味着我们也考虑了先验概率 p（x）。
- 为了进一步了解概率，我建议阅读 [pattern recognition and machine learning，Bishop 2006]。
二. 分布概率与特征
1.均匀分布（连续）
代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/uniform.py
均匀分布在 [a，b] 上具有相同的概率值，是简单概率分布。
2.伯努利分布（离散）
代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/bernoulli.py
- 先验概率 p（x）不考虑伯努利分布。因此，如果我们对最大似然进行优化，那么我们很容易被过度拟合。
- 利用二元交叉熵对二项分类进行分类。它的形式与伯努利分布的负对数相同。图片
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
- k 自由度的卡方分布是 k 个独立标准正态随机变量的平方和的分布。
- 卡方分布是 β 分布的特例
13.t 分布（连续）
代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/student-t.py
t 分布是对称的钟形分布，与正态分布类似，但尾部较重，这意味着它更容易产生远低于平均值的值。
via：https://github.com/graykode/distribution-is-all-you-needa
理清幻方量化与DeepSeek的发展脉络，关键在于区分早期萤火二号的A100集群积累与DeepSeek-V3的H800训练配置。本文解析软硬件协同工程在其中的作用，避免将资金投入简单等同于模型能力。
背景由于云计算在资源成本和弹性扩容方面的天然优势，越来越多客户愿意在云上构建 AI 系统，而以容器、Kubernetes 为代表的云原生技术，已经成为释放云价值的最短路径， 在云上基于 Kubernetes 构建 AI 平台已经成为趋势。在面对较为复杂的模型训练或者大量数据时，单机的计算能力往往难以
轻量化浏览器的崛起：当极简主义成为生产力 这些年，浏览器的战场早已不再局限于功能和扩展的堆砌。一股轻量、高效的“清流”正在改变用户的上网习惯，而夸克浏览器无疑是这股潮流中的佼佼者。它以清爽的界面和高效的核心性能，成功在移动端圈粉无数。好消息是，这股清爽之风如今也吹到了电脑桌面上——通过官方网页版入口
学习通网页版登录入口：通往数字课堂的便捷通道 作为师生获取在线教育资源的关键门户，学习通网页版登录入口的设计直接影响到数字化学习体验的流畅度。下面这份指南将带你系统掌握官方认证通道的使用要领，让每次登录都成为高效学习的开端。 官方登录入口：直达学习核心区 超星官方指定的入口地址始终是最可靠的选择：点
漫画爱好者的掌上宝库：喵趣漫画官方下载全解析 对于漫画迷而言，找到合适的阅读平台至关重要。喵趣漫画官方下载入口恰好提供了这样的解决方案——这里不仅是海量正版资源的聚集地，更打造了一站式的跨终端阅读体验。应用内覆盖了热血、恋爱、悬疑等主流题材，配合智能设备适配技术，让阅读真正实现无缝衔接。界面设计简洁
高效语言转换工具的选择直接影响跨文化交流效果 选对翻译工具，往往能让跨文化交流事半功倍。今天我们就来详细解析豆包AI翻译网页版的核心功能与操作要点，帮你快速掌握这个实用工具的使用诀窍。 豆包AI翻译网页版入口： 访问地址再简单不过：https://www.doubao.com/ch@t/transl
PaddleX是基于百度飞桨的一站式视觉开发套件，封装了模型训练、压缩与部署流程，显著降低开发门槛。它支持图像分类、目标检测等任务，提供图形界面与PythonAPI双模式，便于从可视化操作平滑过渡到代码开发。典型工作流程包括数据准备、模型选择、训练评估及部署。
河南省首台5T超高场磁共振在河南中医药大学第一附属医院启用，搭载AI智能加速与深度学习技术，提升图像信噪比与分辨率，助力早期微小病灶检出，实现早发现、早诊断、早治疗。同期引进西门子Cima.X介观核磁，实现微米级高清成像，支持脑科学等前沿研究。
Caffe 头文件找不到与库链接冲突的排查方法 在使用 Caffe 进行深度学习开发或二次编译时，经常遇到两类问题：头文件找不到导致编译失败，以及库链接冲突导致链接错误。本指南针对这些常见问题，提供从基础检查到解决方案的逐步排查流程。 问题现象 编译时提示“fatal error: caffe/ca
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
