知识卡片
归一化改变密度单位
令Ynorm=Y/a后,若要报告原单位Y的密度,应减去log(a)这一Jacobian项。a固定时它不改变相关参数的极值位置,但影响数值似然与跨尺度比较;a若从数据估计,还需记录拟合范围并避免评价泄漏。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 结构因果模型
原书出处 · 1 处
- · 查看原书依据
Ynorm = Y / maxY #3 for step in range(800): optimizer.zero_grad() #4 log_prob_x = XDist.log_prob(X) #5 log_prob_y = YDist.condition(X).log_prob(Ynorm) #6 loss = -(log_prob_x + log_prob_y).mean() #7 loss.backward() #7 optimizer.step() #7 XDist.clear_cache() YDist.clear_cache() losses.append(loss.item()) plt.plot(losses[1:]) #8 plt.title("Loss") #8 plt.xlabel("step") #8 plt.ylabel("loss") #8 #1 Register the neural spline functional assignment function for Y.
参考来源
- 位置:《Causal AI》第06章《结构因果模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/Causal AI/_epub-src/OEBPS/Text/chapter-6.xhtml)
- 结论依据:摘录中关于归一化改变密度单位的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。
- 原始内容:Ynorm = Y / maxY #3 for step in range(800): optimizer.zero_grad() #4 log_prob_x = XDist.log_prob(X) #5 log_prob_y = YDist.condition(X).log_prob(Ynorm) #6 loss = -(log_prob_x + log_prob_y).mean() #7 loss.backward() #7 optimizer.step() #7 XDist.clear_cache() YDist.clear_cache() losses.append(loss.item()) plt.plot(losses[1:]) #8 plt.title("Loss") #8 plt.xlabel("step") #8 plt.ylabel("loss") #8 #1 Register the neural spline functional assignment function for Y.