知识卡片
重采样索引必须对齐样本池
若按original_samples的权重抽索引,就必须用索引访问同一个有序样本池。先set去重并重排、仍使用原权重索引,会错配甚至越界。确需合并重复项时,要共同聚合其概率质量并重建对应权重。
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
- · 因果与大语言模型
原书出处 · 1 处
- · 查看原书依据
unique_samples = list(set(original_samples)) #2 log_importance_weights = torch.tensor( #2 [sample[2] for sample in original_samples]) #2 resampling_dist = Categorical(logits=log_importance_weights) #2 resampled_indices = resampling_dist.sample_n(num_samples) #2 samples = pd.DataFrame( #2 [unique_samples[i] for i in resampled_indices], #2 columns=["King", "Kingdom", "log_importance_weight"] #2 ) #2 samples["Prince"] = PRINCE_STORY samples["Distribution"] = "observational" return samples[['King', 'Prince', 'Kingdom', 'Distribution']] num_samples = 1000 posterior_samples = do_importance_resampling( cond_model, proposal_given_prince, num_samples) #1 Use importance resampling as our inference