如果您很酷，
import tensorflow as tfimport numpy as npsess = tf.Session()x = tf.placeholder(dtype=tf.float32, shape=(None,))beta = tf.placeholder(dtype=tf.float32)# Pseudo-math for the below# y = sum( i * exp(beta * x[i]) ) / sum( exp(beta * x[i]) )y = tf.reduce_sum(tf.cumsum(tf.ones_like(x)) * tf.exp(beta * x) / tf.reduce_sum(tf.exp(beta * x))) - 1print("I can compute the gradient", tf.gradients(y, x))for run in range(10): data = np.random.randn(10) print(data.argmax(), sess.run(y, feed_dict={x:data/np.linalg.norm(data), beta:1e2}))这是一种技巧，可以在低温环境中计算平均值，从而得出概率空间的近似最大值。在这种情况下，低温与温度过高有关
beta。
实际上，随着
beta逼近无穷大，我的算法将收敛到最大值（假设最大值是唯一的）。不幸的是，在您遇到数值错误并得到之前，beta不能太大
NaN，但是有一些技巧可以解决，如果您需要的话，我可以研究一下。
输出看起来像这样，
0 2.244599 9.08 8.04 4.04 4.08 8.09 9.06 6.09 8.999951 1.0
因此，您可以看到它在某些地方变得混乱，但通常会得到正确的答案。根据您的算法，这可能很好。
