.. py:class:: paddle.distribution.Geometric(probs)
在概率论和统计学中，几何分布是一种离散概率分布，由一个正形状参数参数化，用 probs 表示。在 n 次伯努利试验中，需要 k 次试验才能得到第一次成功的概率。
详细来说就是：前 k-1 次失败，第 k 次成功的概率，概率密度函数如下：
P(X=k) = (1-p)^{k-1}p
上面数学公式中：
p：表示成功的概率。
X：表示进行了多少次试验才获得第一次成功。
k：表示实验次数，是一个正整数
- probs (float|Tensor) - 几何分布成功概率参数。数据类型为 float、Tensor。
COPY-FROM: paddle.distribution.Geometric
几何分布的均值。
数学公式：
mean = \frac{1}{p}
上面数学公式中：
p：试验成功的概率。
几何分布的方差。
数学公式：
variance = \frac{1-p}{p^2}
上面数学公式中：
p：试验成功的概率。
几何分布的标准差。
数学公式：
stddev = \sqrt{variance} = \sqrt{\frac{1-p}{p^2}} = \frac{\sqrt{1-p}}{p}
上面数学公式中：
p：试验成功的概率。
几何分布的概率质量函数。
参数
- k (int) - 几何分布的随机变量。
数学公式：
pmf(X=k) = (1-p)^{k-1} p, \quad k=1,2,3,\ldots
上面数学公式中：
p：试验成功的概率。
k：几何分布的随机变量。
返回
- Tensor - value 第一次成功所需试验次数 k 的概率。
代码示例
COPY-FROM: paddle.distribution.Geometric.pmf
几何分布的对数概率质量函数。
参数
- k (int) - 几何分布的随机变量。
数学公式：
\log pmf(X = k) = \log(1-p)^k p
上面数学公式中：
p：试验成功的概率。
k：几何分布的实验次数。
返回
- Tensor - value 第一次成功所需的试验次数 k 的概率的对数。
代码示例
COPY-FROM: paddle.distribution.Geometric.log_pmf
几何分布的累积分布函数。
参数
- k (int) - 几何分布的随机变量。
数学公式：
cdf(X \leq k) = 1 - (1-p)^k, \quad k=0,1,2,\ldots
上面的数学公式中：
p：试验成功的概率。
k：几何分布的随机变量。
返回
- Tensor: value 随机变量 X 小于或等于某个值 x 的概率。
代码示例
COPY-FROM: paddle.distribution.Geometric.cdf
几何分布的信息熵。
数学公式：
entropy() = -\left[\frac{1}{p} \log p + \frac{1-p}{p^2} \log (1-p) \right]
上面数学公式中：
p：试验成功的概率。
代码示例
COPY-FROM: paddle.distribution.Geometric.entropy
两个 Geometric 分布之间的 KL 散度。
参数
- other (Geometric) - Geometric 的实例。
数学公式：
KL(P \| Q) = \frac{p}{q} \log \frac{p}{q} + \log (1-p) - \log (1-q)
上面的数学公式中：
P：Geometric 几何分布实例。
Q：Geometric 几何分布实例。
p：Geometric_p 分布试验成功的概率。
q：Geometric_q 分布试验成功的概率。
返回
- Tensor: 两个几何分布之间的 KL 散度。
代码示例
COPY-FROM: paddle.distribution.Geometric.kl_divergence
随机采样，生成指定维度的样本。
参数
- shape (tuple(int)) - 采样的样本维度。
返回
- Tensor - 预先设计好维度的样本数据。
代码示例
COPY-FROM: paddle.distribution.Geometric.sample
重参数化采样，生成指定维度的样本。
参数
- shape (tuple(int)) - 重参数化采样的样本维度。
返回
- Tensor - 预先设计好维度的样本数据。
代码示例
COPY-FROM: paddle.distribution.Geometric.rsample