大家的AI
机器学习AI论文
Loading...

学习

🏅我的成就

Chapter 12

均匀分布与正态分布：从初始化到预测

均匀分布在区间上均匀分布概率，正态分布围绕均值呈钟形。在 AI 中用于初始化、噪声与先验。

按章节的数学图示

选择章节后，下方图示会切换为该章节内容。可一览基础数学的脉络。

均匀分布与正态分布：从初始化到预测

UniformNormal

均匀分布在区间上均匀分布概率，正态分布围绕均值呈钟形。在 AI 中用于初始化、噪声与先验。

均匀分布与正态分布

世间大量连续数据都按一定规则分布。其中最基础的是均匀分布和正态分布，理解它们是把握 AI 内部运作的关键一步。前面章节学到的均值（μ\muμ）和方差（σ2\sigma^2σ2）这两个指标，就是决定这两种分布形状的「基因」。
均匀分布 — 在区间 [a,b][a,b][a,b] 内所有取值出现概率相同。画成图就是顶为平线的矩形。可以理解为把「骰子每一面等概率」推广到连续情形。在「不偏向任何一侧、给所有可能性同等机会」时使用。
均匀分布的中心均值是区间中点 (a+b)/2(a+b)/2(a+b)/2。方差为 (b−a)2/12(b-a)^2/12(b−a)2/12，与区间长度（b−ab-ab−a）的平方成正比。区间越宽，越难猜中会取到哪个值（不确定性增加），方差也就越大。
正态分布 — 以均值为中心、左右对称的钟形（Bell-curve）分布。身高、考试成绩、测量误差等多数自然现象都近似服从它，故称「正态」。也称高斯分布；均值（μ\muμ）决定钟顶位置，标准差（σ\sigmaσ）决定钟的宽度（离散程度）。
正态分布的妙处在于经验法则（68–95–99.7）：μ±1σ\mu \pm 1\sigmaμ±1σ 内约有 68% 的数据，μ±2σ\mu \pm 2\sigmaμ±2σ 内约有 95%，μ±3σ\mu \pm 3\sigmaμ±3σ 内约有 99.7%。掌握这条规则，就能快速判断数据离均值多远（是否异常值），并评估 AI 预测的可信度。
均匀分布代表「一无所知的空白状态」，正态分布代表「以均值为基准的自然状态」。AI 在训练开始时用均匀分布把权重均匀撒开（初始化），随后用正态分布刻画数据误差，一步步逼近正确答案。
先验信息的设定：在贝叶斯统计中，AI 在学习前持有的「先入之见」称为先验分布。想从完全公平的立场出发时用均匀分布；当有「参数在某个均值附近」的合理猜测时，则用正态分布来设计模型的基础能力。
误差的数学建模：世间所有数据都含有噪声。这些噪声彼此独立发生，叠加后最终会服从正态分布。AI 在去除图像噪声或恢复模糊语音时，若假定噪声呈正态分布再计算，就能得到准确得多的复原结果。
中心极限定理：这是统计学的根基。无论数据呈何种分布，只要大量抽样并求平均，这些平均值的分布都会惊人地接近正态分布。因此 AI 才能仅凭少量样本，借助正态分布去预测整体群体的特性。
深度学习中权重初始化往往决定训练的成败。像 Xavier、He 这类初始化技术会精细调节均匀/正态分布的方差，使数据信号能不失真地传递到网络深处。
权重初始化 — 若一开始把所有权重都设为 0，网络无法学习。因此用均匀或正态分布抽取随机数填入。使用方差较小的正态分布时，多数权重会集中在 0 附近，训练会更稳定、更快起步。
噪声 — VAE 从正态中采样潜在向量；扩散模型逐步加入再去除高斯噪声。
回归 — 假设误差为正态时，最小二乘(OLS)等价于最大似然。预测区间用 μ±kσ\mu \pm k\sigmaμ±kσ。
贝叶斯 — 先验常用均匀或正态，观测后求后验。神经网络权重也可设正态先验。
数学脉络 — Ch10 随机变量与分布、Ch11 均值与方差，Ch12 学习两种具体分布（均匀、正态）。掌握后更容易理解 AI 论文中的「初始化」「噪声」「先验」。
均匀 — 区间 [a,b][a,b][a,b] 上密度 1/(b−a)1/(b-a)1/(b−a)，均值 (a+b)/2(a+b)/2(a+b)/2，方差 (b−a)2/12(b-a)^2/12(b−a)2/12。正态 — 均值 μ\muμ，方差 σ2\sigma^2σ2，区间概率查标准正态表或计算器。
例（均匀）. 区间 [0,6][0,6][0,6] 上均匀分布则均值为 333，方差 36/12=336/12=336/12=3，标准差 3\sqrt{3}3​。
例（正态）. 均值 707070、标准差 101010 的正态分布中，约 68% 在 60∼8060\sim8060∼80，约 95% 在 50∼9050\sim9050∼90。
按题型解题
  • 类型均匀分布
  • 说明区间 [a,b][a,b][a,b] 上均匀
  • 求法均值 (a+b)/2(a+b)/2(a+b)/2，方差 (b−a)2/12(b-a)^2/12(b−a)2/12，标准差 (b−a)2/12\sqrt{(b-a)^2/12}(b−a)2/12​。
  • 类型正态分布
  • 说明均值 μ\muμ，标准差 σ\sigmaσ
  • 求法区间概率查标准正态表或 68-95-99.7 法则。μ±σ\mu\pm\sigmaμ±σ 内约 68%。
类型说明求法
均匀分布区间 [a,b][a,b][a,b] 上均匀均值 (a+b)/2(a+b)/2(a+b)/2，方差 (b−a)2/12(b-a)^2/12(b−a)2/12，标准差 (b−a)2/12\sqrt{(b-a)^2/12}(b−a)2/12​。
正态分布均值 μ\muμ，标准差 σ\sigmaσ区间概率查标准正态表或 68-95-99.7 法则。μ±σ\mu\pm\sigmaμ±σ 内约 68%。
例（均匀）
区间 [0,6][0,6][0,6] 上均匀分布的均值与方差。
解
均值 (0+6)/2=3(0+6)/2=3(0+6)/2=3。方差 (6−0)2/12=36/12=3(6-0)^2/12=36/12=3(6−0)2/12=36/12=3。→ 均值 3，方差 3
例（正态）
均值 70、标准差 10 的正态分布中，μ±σ\mu\pm\sigmaμ±σ 区间（60～80）内的比例？
解
经验法则知约 68%。→ 约 68%