jax.scipy 模块
jax.scipy.cluster
| vq(obs, code_book[, check_finite]) | 将观测值分配给代码簿中的代码。 | ## jax.scipy.fft
dct(x[, type, n, axis, norm]) |
计算输入的离散余弦变换 |
dctn(x[, type, s, axes, norm]) |
计算输入的多维离散余弦变换 |
idct(x[, type, n, axis, norm]) |
计算输入的离散余弦变换的逆变换 |
| idctn(x[, type, s, axes, norm]) | 计算输入的多维离散余弦变换的逆变换 | ## jax.scipy.integrate
| trapezoid(y[, x, dx, axis]) | 使用复合梯形法则沿指定轴积分。 | ## jax.scipy.interpolate
| RegularGridInterpolator(points, values[, …]) | 对正规矩形网格上的点进行插值。 | ## jax.scipy.linalg
block_diag(*arrs) |
从输入数组创建块对角矩阵。 |
cho_factor(a[, lower, overwrite_a, check_finite]) |
基于 Cholesky 的线性求解因式分解 |
cho_solve(c_and_lower, b[, overwrite_b, …]) |
使用 Cholesky 分解解线性系统 |
cholesky(a[, lower, overwrite_a, check_finite]) |
计算矩阵的 Cholesky 分解。 |
det(a[, overwrite_a, check_finite]) |
计算矩阵的行列式 |
eigh() |
计算 Hermitian 矩阵的特征值和特征向量 |
eigh_tridiagonal(d, e, *[, eigvals_only, …]) |
解对称实三对角矩阵的特征值问题 |
expm(A, *[, upper_triangular, max_squarings]) |
计算矩阵指数 |
expm_frechet() |
计算矩阵指数的 Frechet 导数 |
funm(A, func[, disp]) |
评估矩阵值函数 |
hessenberg() |
计算矩阵的 Hessenberg 形式 |
hilbert(n) |
创建阶数为 n 的 Hilbert 矩阵。 |
inv(a[, overwrite_a, check_finite]) |
返回方阵的逆矩阵 |
lu() |
计算 LU 分解 |
lu_factor(a[, overwrite_a, check_finite]) |
基于 LU 的线性求解因式分解 |
lu_solve(lu_and_piv, b[, trans, …]) |
使用 LU 分解解线性系统 |
polar(a[, side, method, eps, max_iterations]) |
计算极分解 |
qr() |
计算数组的 QR 分解 |
rsf2csf(T, Z[, check_finite]) |
将实数舒尔形式转换为复数舒尔形式。 |
schur(a[, output]) |
计算舒尔分解 |
solve(a, b[, lower, overwrite_a, …]) |
解线性方程组 |
solve_triangular(a, b[, trans, lower, …]) |
解上（或下）三角线性方程组 |
sqrtm(A[, blocksize]) |
计算矩阵的平方根 |
svd() |
计算奇异值分解 |
| toeplitz(c[, r]) | 构造 Toeplitz 矩阵 | ## jax.scipy.ndimage
| map_coordinates(input, coordinates, order[, …]) | 使用插值将输入数组映射到新坐标。 | ## jax.scipy.optimize
minimize(fun, x0[, args, tol, options]) |
最小化一个或多个变量的标量函数。 |
| OptimizeResults(x, success, status, fun, …) | 优化结果对象。 | ## jax.scipy.signal
fftconvolve(in1, in2[, mode, axes]) |
使用快速傅里叶变换（FFT）卷积两个 N 维数组。 |
convolve(in1, in2[, mode, method, precision]) |
两个 N 维数组的卷积。 |
convolve2d(in1, in2[, mode, boundary, …]) |
两个二维数组的卷积。 |
correlate(in1, in2[, mode, method, precision]) |
两个 N 维数组的互相关。 |
correlate2d(in1, in2[, mode, boundary, …]) |
两个二维数组的互相关。 |
csd(x, y[, fs, window, nperseg, noverlap, …]) |
使用 Welch 方法估计交叉功率谱密度（CSD）。 |
detrend(data[, axis, type, bp, overwrite_data]) |
从数据中移除线性或分段线性趋势。 |
istft(Zxx[, fs, window, nperseg, noverlap, …]) |
执行逆短时傅里叶变换（ISTFT）。 |
stft(x[, fs, window, nperseg, noverlap, …]) |
计算短时傅里叶变换（STFT）。 |
| welch(x[, fs, window, nperseg, noverlap, …]) | 使用 Welch 方法估计功率谱密度（PSD）。 | ## jax.scipy.spatial.transform
| Slerp(times, timedelta, rotations, rotvecs) | 球面线性插值旋转。 | ## jax.scipy.sparse.linalg
bicgstab(A, b[, x0, tol, atol, maxiter, M]) |
使用双共轭梯度稳定迭代解决 Ax = b。 |
cg(A, b[, x0, tol, atol, maxiter, M]) |
使用共轭梯度法解决 Ax = b。 |
| gmres(A, b[, x0, tol, atol, restart, …]) | GMRES 解决线性系统 A x = b，给定 A 和 b。 | ## jax.scipy.special
bernoulli(n) |
生成前 N 个伯努利数。 |
beta() |
贝塔函数 |
betainc(a, b, x) |
正则化的不完全贝塔函数。 |
betaln(a, b) |
贝塔函数绝对值的自然对数 |
digamma(x) |
Digamma 函数 |
entr(x) |
熵函数 |
erf(x) |
误差函数 |
erfc(x) |
误差函数的补函数 |
erfinv(x) |
误差函数的反函数 |
exp1(x) |
指数积分函数。 |
expi |
指数积分函数。 |
expit(x) |
逻辑 sigmoid（expit）函数 |
expn |
广义指数积分函数。 |
factorial(n[, exact]) |
阶乘函数 |
gamma(x) |
伽马函数。 |
gammainc(a, x) |
正则化的下不完全伽马函数。 |
gammaincc(a, x) |
正则化的上不完全伽马函数。 |
gammaln(x) |
伽马函数绝对值的自然对数。 |
gammasgn(x) |
伽马函数的符号。 |
hyp1f1 |
1F1 超几何函数。 |
i0(x) |
修改贝塞尔函数零阶。 |
i0e(x) |
指数缩放的修改贝塞尔函数零阶。 |
i1(x) |
修改贝塞尔函数一阶。 |
i1e(x) |
指数缩放的修改贝塞尔函数一阶。 |
log_ndtr |
对数正态分布函数。 |
logit |
对数几率函数。 |
logsumexp() |
对数-总和-指数归约。 |
lpmn(m, n, z) |
第一类相关勒让德函数（ALFs）。 |
lpmn_values(m, n, z, is_normalized) |
第一类相关勒让德函数（ALFs）。 |
multigammaln(a, d) |
多变量伽马函数的自然对数。 |
ndtr(x) |
正态分布函数。 |
ndtri§ |
正态分布函数的反函数。 |
poch |
Pochhammer 符号。 |
polygamma(n, x) |
多次伽马函数。 |
spence(x) |
斯宾斯函数，也称实数域下的二元对数函数。 |
sph_harm(m, n, theta, phi[, n_max]) |
计算球谐函数。 |
xlog1py |
计算 x*log(1 + y)，当 x=0 时返回 0。 |
xlogy |
计算 x*log(y)，当 x=0 时返回 0。 |
zeta |
赫维茨 ζ 函数。 |
kl_div(p, q) |
库尔巴克-莱布勒散度。 |
| rel_entr(p, q) | 相对熵函数。 | ## jax.scipy.stats
mode(a[, axis, nan_policy, keepdims]) |
计算数组沿轴的众数（最常见的值）。 |
rankdata(a[, method, axis, nan_policy]) |
计算数组沿轴的排名。 |
sem(a[, axis, ddof, nan_policy, keepdims]) |
计算均值的标准误差。 |
jax.scipy.stats.bernoulli
logpmf(k, p[, loc]) |
伯努利对数概率质量函数。 |
pmf(k, p[, loc]) |
伯努利概率质量函数。 |
cdf(k, p) |
伯努利累积分布函数。 |
| ppf(q, p) | 伯努利百分位点函数。 | ### jax.scipy.stats.beta
logpdf(x, a, b[, loc, scale]) |
Beta 对数概率分布函数。 |
pdf(x, a, b[, loc, scale]) |
Beta 概率分布函数。 |
cdf(x, a, b[, loc, scale]) |
Beta 累积分布函数。 |
logcdf(x, a, b[, loc, scale]) |
Beta 对数累积分布函数。 |
sf(x, a, b[, loc, scale]) |
Beta 分布生存函数。 |
| logsf(x, a, b[, loc, scale]) | Beta 分布对数生存函数。 | ### jax.scipy.stats.betabinom
logpmf(k, n, a, b[, loc]) |
Beta-二项式对数概率质量函数。 |
| pmf(k, n, a, b[, loc]) | Beta-二项式概率质量函数。 | ### jax.scipy.stats.binom
logpmf(k, n, p[, loc]) |
二项式对数概率质量函数。 |
| pmf(k, n, p[, loc]) | 二项式概率质量函数。 | ### jax.scipy.stats.cauchy
logpdf(x[, loc, scale]) |
柯西对数概率分布函数。 |
pdf(x[, loc, scale]) |
柯西概率分布函数。 |
cdf(x[, loc, scale]) |
柯西累积分布函数。 |
logcdf(x[, loc, scale]) |
柯西对数累积分布函数。 |
sf(x[, loc, scale]) |
柯西分布对数生存函数。 |
logsf(x[, loc, scale]) |
柯西对数生存函数。 |
isf(q[, loc, scale]) |
柯西分布逆生存函数。 |
| ppf(q[, loc, scale]) | 柯西分布分位点函数。 | ### jax.scipy.stats.chi2
logpdf(x, df[, loc, scale]) |
卡方分布对数概率分布函数。 |
pdf(x, df[, loc, scale]) |
卡方概率分布函数。 |
cdf(x, df[, loc, scale]) |
卡方累积分布函数。 |
logcdf(x, df[, loc, scale]) |
卡方对数累积分布函数。 |
sf(x, df[, loc, scale]) |
卡方生存函数。 |
| logsf(x, df[, loc, scale]) | 卡方对数生存函数。 | ### jax.scipy.stats.dirichlet
logpdf(x, alpha) |
狄利克雷对数概率分布函数。 |
| pdf(x, alpha) | 狄利克雷概率分布函数。 | ### jax.scipy.stats.expon
logpdf(x[, loc, scale]) |
指数对数概率分布函数。 |
| pdf(x[, loc, scale]) | 指数概率分布函数。 | ### jax.scipy.stats.gamma
logpdf(x, a[, loc, scale]) |
伽玛对数概率分布函数。 |
pdf(x, a[, loc, scale]) |
伽玛概率分布函数。 |
cdf(x, a[, loc, scale]) |
伽玛累积分布函数。 |
logcdf(x, a[, loc, scale]) |
伽玛对数累积分布函数。 |
sf(x, a[, loc, scale]) |
伽玛生存函数。 |
| logsf(x, a[, loc, scale]) | 伽玛对数生存函数。 | ### jax.scipy.stats.gennorm
cdf(x, beta) |
广义正态累积分布函数。 |
logpdf(x, beta) |
广义正态对数概率分布函数。 |
| pdf(x, beta) | 广义正态概率分布函数。 | ### jax.scipy.stats.geom
logpmf(k, p[, loc]) |
几何对数概率质量函数。 |
| pmf(k, p[, loc]) | 几何概率质量函数。 | ### jax.scipy.stats.laplace
cdf(x[, loc, scale]) |
拉普拉斯累积分布函数。 |
logpdf(x[, loc, scale]) |
拉普拉斯对数概率分布函数。 |
| pdf(x[, loc, scale]) | 拉普拉斯概率分布函数。 | ### jax.scipy.stats.logistic
cdf(x[, loc, scale]) |
Logistic 累积分布函数。 |
isf(x[, loc, scale]) |
Logistic 分布逆生存函数。 |
logpdf(x[, loc, scale]) |
Logistic 对数概率分布函数。 |
pdf(x[, loc, scale]) |
Logistic 概率分布函数。 |
ppf(x[, loc, scale]) |
Logistic 分位点函数。 |
| sf(x[, loc, scale]) | Logistic 分布生存函数。 | ### jax.scipy.stats.multinomial
logpmf(x, n, p) |
多项式对数概率质量函数。 |
| pmf(x, n, p) | 多项分布概率质量函数。 | ### jax.scipy.stats.multivariate_normal
logpdf(x, mean, cov[, allow_singular]) |
多元正态分布对数概率分布函数。 |
| pdf(x, mean, cov) | 多元正态分布概率分布函数。 | ### jax.scipy.stats.nbinom
logpmf(k, n, p[, loc]) |
负二项分布对数概率质量函数。 |
| pmf(k, n, p[, loc]) | 负二项分布概率质量函数。 | ### jax.scipy.stats.norm
logpdf(x[, loc, scale]) |
正态分布对数概率分布函数。 |
pdf(x[, loc, scale]) |
正态分布概率分布函数。 |
cdf(x[, loc, scale]) |
正态分布累积分布函数。 |
logcdf(x[, loc, scale]) |
正态分布对数累积分布函数。 |
ppf(q[, loc, scale]) |
正态分布百分点函数。 |
sf(x[, loc, scale]) |
正态分布生存函数。 |
logsf(x[, loc, scale]) |
正态分布对数生存函数。 |
| isf(q[, loc, scale]) | 正态分布逆生存函数。 | ### jax.scipy.stats.pareto
logpdf(x, b[, loc, scale]) |
帕累托对数概率分布函数。 |
| pdf(x, b[, loc, scale]) | 帕累托分布概率分布函数。 | ### jax.scipy.stats.poisson
logpmf(k, mu[, loc]) |
泊松分布对数概率质量函数。 |
pmf(k, mu[, loc]) |
泊松分布概率质量函数。 |
| cdf(k, mu[, loc]) | 泊松分布累积分布函数。 | ### jax.scipy.stats.t
logpdf(x, df[, loc, scale]) |
学生 t 分布对数概率分布函数。 |
| pdf(x, df[, loc, scale]) | 学生 t 分布概率分布函数。 | ### jax.scipy.stats.truncnorm
cdf(x, a, b[, loc, scale]) |
截断正态分布累积分布函数。 |
logcdf(x, a, b[, loc, scale]) |
截断正态分布对数累积分布函数。 |
logpdf(x, a, b[, loc, scale]) |
截断正态分布对数概率分布函数。 |
logsf(x, a, b[, loc, scale]) |
截断正态分布对数生存函数。 |
pdf(x, a, b[, loc, scale]) |
截断正态分布概率分布函数。 |
| sf(x, a, b[, loc, scale]) | 截断正态分布对数生存函数。 | ### jax.scipy.stats.uniform
logpdf(x[, loc, scale]) |
均匀分布对数概率分布函数。 |
pdf(x[, loc, scale]) |
均匀分布概率分布函数。 |
cdf(x[, loc, scale]) |
均匀分布累积分布函数。 |
ppf(q[, loc, scale]) |
均匀分布百分点函数。 |
jax.scipy.stats.gaussian_kde
gaussian_kde(dataset[, bw_method, weights]) |
高斯核密度估计器 |
gaussian_kde.evaluate(points) |
对给定点评估高斯核密度估计器。 |
gaussian_kde.integrate_gaussian(mean, cov) |
加权高斯积分分布。 |
gaussian_kde.integrate_box_1d(low, high) |
在给定限制下积分分布。 |
gaussian_kde.integrate_kde(other) |
集成两个高斯核密度估计分布的乘积。 |
gaussian_kde.resample(key[, shape]) |
从估计的概率密度函数中随机采样数据集 |
gaussian_kde.pdf(x) |
概率密度函数 |
gaussian_kde.logpdf(x) |
对数概率密度函数 |
jax.scipy.stats.vonmises
logpdf(x, kappa) |
von Mises 对数概率分布函数。 |
| pdf(x, kappa) | von Mises 概率分布函数。 | ### jax.scipy.stats.wrapcauchy
logpdf(x, c) |
Wrapped Cauchy 对数概率分布函数。 |
pdf(x, c) |
Wrapped Cauchy 概率分布函数。 |
jax.scipy.stats.bernoulli.logpmf
原文：
jax.readthedocs.io/en/latest/_autosummary/jax.scipy.stats.bernoulli.logpmf.html
jax.scipy.stats.bernoulli.logpmf(k, p, loc=0)
伯努利对数概率质量函数。
scipy.stats.bernoulli 的 JAX 实现 logpmf
伯努利概率质量函数定义如下
[f(k)={1−p,k=0 p,k=1 0,otherwise]
参数：
- k (Array | ndarray | bool | number | bool | int | float | complex) – arraylike，要评估 PMF 的值
- p (Array | ndarray | bool | number | bool | int | float | complex) – arraylike，分布形状参数
- loc (Array | ndarray | bool | number | bool | int | float | complex) – arraylike，分布偏移量
返回值：
logpmf 值的数组
返回类型：
Array
另请参阅
jax.scipy.stats.bernoulli.cdf()jax.scipy.stats.bernoulli.pmf()jax.scipy.stats.bernoulli.ppf()
jax.scipy.stats.bernoulli.pmf
原文：
jax.readthedocs.io/en/latest/_autosummary/jax.scipy.stats.bernoulli.pmf.html
jax.scipy.stats.bernoulli.pmf(k, p, loc=0)
伯努利概率质量函数。
scipy.stats.bernoulli pmf 的 JAX 实现
伯努利概率质量函数定义为
[f(k)={1−p,k=0 p,k=1 0,otherwise]
参数：
- k (数组 | ndarray | 布尔 | 数值 | 布尔 | 整数 | 浮点数 | 复数*) – 类似数组，要评估 PMF 的值
- p (数组 | ndarray | 布尔 | 数值 | 布尔 | 整数 | 浮点数 | 复数*) – 类似数组，分布形状参数
- loc (数组 | ndarray | 布尔 | 数值 | 布尔 | 整数 | 浮点数 | 复数*) – 类似数组，分布偏移
返回：
pmf 值数组
返回类型：
数组
参见
jax.scipy.stats.bernoulli.cdf()jax.scipy.stats.bernoulli.logpmf()jax.scipy.stats.bernoulli.ppf()
jax.scipy.stats.bernoulli.cdf
原文：
jax.readthedocs.io/en/latest/_autosummary/jax.scipy.stats.bernoulli.cdf.html
jax.scipy.stats.bernoulli.cdf(k, p)
伯努利累积分布函数。
scipy.stats.bernoulli 的 JAX 实现 cdf
伯努利累积分布函数被定义为：
[f_{cdf}(k, p) = \sum_{i=0}^k f_{pmf}(k, p)]
其中 (f_{pmf}(k, p)) 是伯努利概率质量函数 jax.scipy.stats.bernoulli.pmf()。
参数：
- k (Array | ndarray | bool | number | bool | int | float | complex) – 数组，用于评估 CDF 的值
- p (Array | ndarray | bool | number | bool | int | float | complex) – 数组，分布形状参数
- loc – 数组，分布偏移
返回：
cdf 值的数组
返回类型：
Array
另请参见
jax.scipy.stats.bernoulli.logpmf()jax.scipy.stats.bernoulli.pmf()jax.scipy.stats.bernoulli.ppf()
jax.scipy.stats.bernoulli.ppf
原文：
jax.readthedocs.io/en/latest/_autosummary/jax.scipy.stats.bernoulli.ppf.html
jax.scipy.stats.bernoulli.ppf(q, p)
伯努利百分点函数。
JAX 实现的 scipy.stats.bernoulli ppf
百分点函数是累积分布函数的反函数，jax.scipy.stats.bernoulli.cdf()。
参数：
- k – arraylike，评估 PPF 的值
- p (Array | ndarray | bool | number | bool | int | float | complex） – arraylike，分布形状参数
- loc – arraylike，分布偏移
- q (Array | ndarray | bool | number | bool | int | float | complex)
返回：
ppf 值数组
返回类型：
Array
另见
jax.scipy.stats.bernoulli.cdf()jax.scipy.stats.bernoulli.logpmf()jax.scipy.stats.bernoulli.pmf()
JAX 中文文档（十四）（2）https://developer.aliyun.com/article/1559756
