如您所述，
tf.random.categorical有两个参数：
logits
，具有形状的2D浮动张量[batch_size, num_classes]
num_samples
，一个整数标量。
输出是带有shape的2D整数张量
[batch_size, num_samples]。
logits张量（
logits[0, :]，
logits[1,:]…）的每个“行”代表不同分类分布的事件概率。但是，该函数并不期望实际的概率值，而是期望的非标准化对数概率；因此实际的概率为
softmax(logits[0,:])，
softmax(logits[1,:])等等。这样做的好处是，您基本上可以给出任何实际值作为输入（例如，神经网络的输出），并且它们将是有效的。同样，使用对数使用特定的概率值或比例也很简单。例如，两个
[log(0.1),log(0.3), log(0.6)]和
[log(1), log(3),log(6)]表示相同的概率，其中第二类的概率是第一个类的三倍，但仅是第三类的一半。
对于每一行（非标准化对数）概率，您可以
num_samples从分布中获取样本。每个样本都是介于
0和之间的整数
num_classes -1，根据给定的概率得出。因此，结果是二维张量的形状
[batch_size, num_samples]与每个分布的采样整数。
编辑：函数的一个小例子。
import tensorflow as tfwith tf.Graph().as_default(), tf.Session() as sess: tf.random.set_random_seed(123) logits = tf.log([[1., 1., 1., 1.], [0., 1., 2., 3.]]) num_samples = 30 cat = tf.random.categorical(logits, num_samples) print(sess.run(cat)) # [[3 3 1 1 0 3 3 0 2 3 1 3 3 3 1 1 0 2 2 0 3 1 3 0 1 1 0 1 3 3] # [2 2 3 3 2 3 3 3 2 2 3 3 2 2 2 1 3 3 3 2 3 2 2 1 3 3 3 3 3 2]]
在这种情况下，结果是一个包含两行30列的数组。第一行中的值是从分类分布中抽样的，其中每个类别（
[0, 1, 2,3]）具有相同的概率。在第二行中，该类别
3是最可能的类别，并且该类别
0几乎没有被采样的可能性。
