二项分布的实现（np.random.binomial）

二项分布（binomial distribution）：

P(N)=(nN)pN(1−p)n−N

numpy给出的api是：

numpy.random.RandomState.binomial(n, p, size=None)

表示对一个二项分布进行采样（size表示采样的次数，draw samples from a binomial distribution.），参数中的

n, p

分别对应于公式中的n,p，函数的返回值表示n中

成功（success）

的次数（也即N）。可能说起来比较抽象，我们以一个具体的实例进行阐释：

说野外正在进行9（n=9）口石油勘探井的发掘工作，每一口井能够开发出油的概率是0.1（p=0.1）。请问，最终所有的勘探井都勘探失败的概率？

如果手动计算的话，自然简单运用中学概率知识便可秒答，(nN)pN(1−p)n−N=(90)0.10(1−0.1)9=0.19≈0.3874，

因为

np.random.binomial()

进行的是采样工作，为了逼近这一概率，我们需要进行的是采用统计的方法进行对概率值的逼近。

>>> n, p = 9, .1
>>> sum(np.random.binomial(n, p, size=20000)==0)/20000.
0.38314999999999999                             # 不能使用整数相除

我们继续模拟，两枚硬币都是正面的概率：

>>> n, p = 2, .5            # 两枚都是正面
>>> sum(np.random.binomial(n, p, size=20000)==2)/20000.
0.25019999999999998         # 和我们的精确概率值相接近

# 其中一个为反面
>>> sum(np.random.binomial(n, p, size=20000)==1)/20000.
0.49430000000000002

# 两个都是反面
>>> n, p = 2, .5
>>> sum(np.random.binomial(n, p, size=20000)==0)/20000.
0.25054999999999999

再比如我们要随机地从n个数中以概率p对其进行选择，我们可以先生成一个掩膜（mask）

mask = np.random.binomial(1, p, n)
# 也即对这个n个数，分别以p进行确定其值为1（选中该值0），
# 以(1-p)确定其值为0（也即是未选中该值）

在实际中参数p也未必一定是一个float类型的纯量，也可以是多个概率值组成的数组，此时需要满足size和p的shape相同，size中的每一个元素依p中的相应位的概率值进行取样，

>>> numpy.random.Random(23455).binomial(size=3, n=1, p=(.2, .8, .99))
array([0, 1, 1])

>>> numpy.random.Random(23455).binomial(size=3, n=1, p=(.2, .8, .99))
array([0, 1, 1])

>>> numpy.random.Random(23455).binomial(size=3, n=1, p=(.2, .8, .99))
array([1, 1, 1])
# 只需记住一点：
# 每一次的概率取值，互相之间是独立的

二项分布进行取样（选中为一，未选中为0）

p(hi=1|v)=σ(ci+Wiv)→p(h=1|v)=σ(c+vTW)p(vj=1|h)=σ(bj+W′jh)→p(v=1|h)=σ(b+hTW′)

def propup(self, vis):
pre_sigmoid_activation = T.dot(vis, self.W)+self.v_bias
return [pre_sigmoid_activation, T.nnet.sigmoid(pre_sigmoid_activation)]
def sample_h_given_x(self, v0_sample):
pre_sigmoid_h1, h1_mean = self.propup(v0_sample)
h1_sample = self.theano_rng.binomial(size=h1_mean, n=1, p=h1_mean, dtype=theano.config.floatX)
return [pre_sigmoid_h1, h1_mean, h1_sample]

二项分布（生成掩码）机制在深度学习算法中的应用

主要是取n=1，用来生成MASK（掩码），然后将生成的掩码作用在原始输入上，获得需要的对网络结构的dropout或者对原始输入的corrupted。

比如denoising autoencoder对原始输入的

加噪

机制这想法真的很酷，通过学习（特指监督学习）的方式，获得对含噪输入较强的鲁棒结果。

def get_corrupted_input(self, input, corruption_level):
return self.theano_rng.binomial(
size=input.shape, n=1,
p=1-corruption_level,
dtype=theano.config.floatX)*input

再比如避免overfitting的dropout机制（这时屏蔽的是神经网络的部分节点也就是神经元neuron）：

def dropout_layer(layer, p_dropout):
mask = theano_rng.binomial(n=1, p=1-p_drop_out, size=layer.shape)
return layer*T.cast(mask, theano.config.floatX)