深度学习第三章-概率与信息论笔记

3.1 为什么要使用概率？

3.2 随机变量

3.3 概率分布

3.3.1 离散型变量和概率质量函数

• 离散型变量的概率分布可以用概率质量函数（probabilit mass function， PMF）描述。

3.3.2 连续型变量和概率密度函数

• 连续型随机变量的分布可以用概率密度函数（probability denstity function， PDF）表示。概率密度函数 p(x) 并没有直接对特定的状态给出概率，而是给出落在面积为 δx 的无限小的区域内的概率为 p(x)δx 。

3.4边缘概率

3.5条件概率

3.6条件概率的链式法则

3.7独立性和条件独立性

3.8期望、方差和协方差

• 期望，
  Ex∼P[f(x)]=∑xP(x)f(x)
  对于连续型：
  Ex∼P[f(x)]=∫p(x)f(x)dx.
• 方差（variance）衡量的是当我们对 x 根据它概率分布进行采样时，随机变量 x 的函数值会呈现多大的差异：
  Var((fx))=E[(f(x)−E[f(x)])2]
  .方差的平方根被称为标准差。

• 协方差（covariance）给出两个变量线性相关性的强度：

  Cov(f(x),g(y))=E[(f(x)−E[f(x)])(g(y)−E[g(y)])]
  协方差的绝对值大，意味着变量值变化很大并且它们同时距离各自的均值很远。
  • 若协方差为正，两个变量都倾向于同时取得相对较大的值
  • 若协方差为负，其中一个变量倾向于取得相对较大的值的同时，另一个变量倾向于取得较小的值，反之亦然。

  协方差矩阵（covariance matrix）是一个 n×n 的矩阵。 协方差矩阵的对角元是方差：

  Cov(xi,xi)=Var(xi)

3.9 常用概率分布

3.9.1 Bernoulli分布

• Bernoulli分布是单个二值随机变量的分布。由单个参数 ϕ 控制，表示随机变量等于1的概率：
  P(x=1)=ϕ
  P(x=0)=1−ϕ
  P(x=x)=ϕx(1−ϕ)1−x
  Ex[x]=ϕ
  Varx(x)=ϕ(1−ϕ)

3.9.2 Multinoulli分布

• Multinoulli分布或者范畴分布（categorycal distribution）是指在具有 k 个不同状态的单个离散型随机变量上的分布。

3.9.3 高斯分布

• 高斯分布（Gaussian distribution）也称正态分布（normal distribution）：
  N(x;μ,σ2)=12πσ2−−−−−√exp(−12σ2(x−μ)2)
  分布的均值 E[x]=μ ，分布的标准差用 σ表示 ，方差 σ2 。
• 当我们缺乏关于某个实数上分布的先验知识而不知道采用哪种分布，选择正态分布的原因：
  
  • 很多分布的真实情况比较接近正态分布。
  • 在具有相同方差的所有概率分布中，正态分布在实数上具有最大的不确定性。

3.9.4指数分布和Laplace分布

• 泊松分布：一个时间段内时间平均发生的次数（离散变量）
• 指数分布：两件事发生的平均时间间隔。
  p(x;λ)=λ1x≥0exp(−λx)
  其中 1x≥0 是指示函数（indicator function），使得 x 取负值的概率为零。泊松分布和指数分布
• Laplace分布：
  Laplace(x;μ,γ)=12γexp(−|x−μ|γ)
  
  其中 μ 是位置参数， γ 尺度参数。
• 正态分布用平均值 μ 的差的平方 (x−μ)2 。
• Laplace用相对平均值的差的绝对值表示，尾部比正态分布更平坦。（声音辨识、JPEG压缩等）
  E(x)=μ
  Var(x)=2σ2
  拉普拉斯分布-百度百科

3.9.5 Dira分布和经验分布

• 所有质量都集中在一点上。Dirac Delta函数：
  p(x)=δ(x−μ)
  ，信号与系统中很熟悉了。除0点外所有点的值都是0，但整体积分为1.
• 经验分布（empirical distribution）：
  p(x)=1m∑i=1mδ(x−x(i))
  将概率密度为 1m的m个点中赋给每一个，给定采样

3.9.6 混合模型

• 常见的高斯混合模型（Gaussian Mixture Model），高斯混合模型是概率密度的万能近似器（universal approximator）。

3.10 常用函数的有用性质

• logistic sigmoid函数：
  σ(x)=11+exp(−x)
  ，通常用来生成Bernoulli分布中的参数，（即得出分类的概率）。logistic 回归
• softplus函数（softplus function）：
  ζ(x)=log(1+exp(x))
  ，可以用来产生正态分布的 β和σ 参数。来源于 x+=max(0,x) softplus Relu。
• 两者之间：
  σ(x)=exp(x)exp(x)+exp(0)
  等公式见书。

3.11贝叶斯规则

常用：

P(x|y)=P(x)P(y|x)P(y)

，具体百度贝叶斯，朴素贝叶斯等。
###3.12连续型变量的技术细节
假设两个随机变量 x 和 y 满足 y=g(x) ，是否 py(y)=px(g−1(y)) 成立？
不成立
举例子：假设 y=x2，x∈(0,1) 如果令 py(y)=px(2y) ，此时 py 除了区间(0, 12 )之外都为0，并在这个区间等于1（与 px 一致）.所以整个区间积分为 12 ，与概率密度定义矛盾。这是因为没有考虑引入函数 g 引起的空间变形。（点的密度不同）。为解决这一矛盾：对于实值向量 x 和 y ：引入Jacobian矩阵进行微分扩展运算：

px(x)=py(g(x))∣∣∣∣det(∂g(x)∂x)∣∣∣∣

3.13信息论

本科和研一学过太多了，略过0.0

• KL散度（Kullback-Leibler（KL）divergence）衡量两个单独的概率分布 P(x) Q(x) 的差异：
  DKL(P||Q)=Ex∼P[logP(x)Q(x)]=Ex∼P[logP(x)−logQ(x)]
  在离散型变量的情况下，KL散度衡量的是当一种能被设计成概率分布Q产生的消息的最小的编码，发送包含由概率P产生的符号的消息时，所需要的额外信息量。
  
  • KL散度非负。KL散度为0，且 P(x)和Q(x)为离散型变量是相同的分布。

结构化概率模型

• 有向（directed）图
• 无向（undirected）图
  还没用到过，不太了解。tensorflow用的就是这种格式。

---

• 方差 D=1N−1∑Ni=1(xi−x¯)2 ，因为N - 1 x¯ ，用掉了一个*度。
• softplus是relu的扩展，处处可导
• nerual style ，数据很小优化可以用LBFGS