PyTorch实现可学习的高斯分布向量

要实现一个可学习的向量服从高斯分布，可以使用PyTorch的nn.Module来定义一个自定义的模型。下面是一个简单的例子：\n\npython\nimport torch\nimport torch.nn as nn\nimport torch.nn.functional as F\n\nclass GaussianVector(nn.Module):\n def __init__(self, input_dim, output_dim):\n super(GaussianVector, self).__init__()\n self.mu = nn.Parameter(torch.zeros(output_dim))\n self.logvar = nn.Parameter(torch.zeros(output_dim))\n \n def forward(self, x):\n eps = torch.randn_like(self.mu)\n std = torch.exp(0.5 * self.logvar)\n return self.mu + eps * std\n\n# 使用例子：\ninput_dim = 10\noutput_dim = 5\nmodel = GaussianVector(input_dim, output_dim)\ninput_data = torch.randn(input_dim)\noutput_data = model(input_data)\nprint(output_data)\n\n\n在这个例子中，我们定义了一个名为GaussianVector的模型，它继承自nn.Module。模型的初始化函数中，我们定义了两个可学习的参数mu和logvar，它们分别表示高斯分布的均值和对数方差。在forward函数中，我们生成了一个随机的噪声eps，并根据mu和logvar计算出标准差std。最后，通过乘以std和加上mu，得到最终的输出向量。\n\n在使用时，我们可以将输入数据传递给模型的forward函数，得到服从高斯分布的输出向量。