多元高斯分布张量流概率的混合

正如标题中所述，我正在尝试使用张量流概率包来创建多元正态分布的混合。

在我的原始项目中，我从神经网络的输出中获取类别，位置和方差的权重。但是，在创建图形时，出现以下错误：

  

components [0]批处理形状必须与cat形状和其他组件批处理形状兼容

我使用占位符重新创建了相同的问题：

import tensorflow as tf
import tensorflow_probability as tfp # dist= tfp.distributions
tf.compat.v1.disable_eager_execution()
sess = tf.compat.v1.InteractiveSession()
l1 = tf.compat.v1.placeholder(dtype=tf.float32,shape=[None,2],name='observations_1')
l2 = tf.compat.v1.placeholder(dtype=tf.float32,name='observations_2')
log_std = tf.compat.v1.get_variable('log_std',[1,dtype=tf.float32,initializer=tf.constant_initializer(1.0),trainable=True)
mix = tf.compat.v1.placeholder(dtype=tf.float32,1],name='weights')
cat = tfp.distributions.Categorical(probs=[mix,1.-mix])
compOnents= [
tfp.distributions.MultivariateNormalDiag(loc=l1,scale_diag=tf.exp(log_std)),tfp.distributions.MultivariateNormalDiag(loc=l2,]
bimix_gauss = tfp.distributions.Mixture(
cat=cat,compOnents=components)


所以，我的问题是，我做错了什么？我调查了错误，似乎是tensorshape_util.is_compatible_with引发了错误，但我不明白为什么。

谢谢！

似乎您为tfp.distributions.Categorical提供了错误的输入。参数probs的形状应为[batch_size,cat_size]，而您提供的参数应为[cat_size,batch_size,1]。因此，也许尝试使用probs参数化tf.concat([mix,1-mix],1)。

您的log_std可能也有问题，其形状与l1和l2不同。如果MultivariateNormalDiag不能正确广播，请尝试将其形状指定为(None,2)或对其进行平铺，以使其第一维与您的位置参数相对应。

当组件是相同类型时，MixtureSameFamily应该性能更高。

仅传递一个分类实例（带有.batch_shape [b1，b2，...，bn]）和单个MVNDiag实例（带有.batch_shape [b1，b2，...，bn，numcats]）

对于只有两节课，我想知道伯努利是否会上课？