作者丨Sophia@知乎 来源丨https://zhuanlan.zhihu.com/p/158801020 本文仅用于学术分享，如有侵权，请联系本号后台删除。

作者的 Github 开源地址: https://github.com/graykode/distribution-is-all-you-needgithub.com

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。

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。