zfit中自定义Skew normal分布时erf函数调用报错的解决方法

错误原因 #

报错核心是math.erf和scipy.special.erf仅支持NumPy数组输入，而zfit基于TensorFlow构建计算图，所有变量都是符号化张量，无法直接传入普通NumPy函数处理。

解决步骤与修正代码 #

必须使用TensorFlow原生的张量兼容函数替换误差函数，同时修正原代码中分布公式的两处错误：

1. 标准正态分布的指数项缺少0.5系数
2. Skew Normal分布的累积分布部分，alpha*t需除以√2才符合标准定义

修正后的完整代码：

import zfit
import tensorflow as tf
import math

class AsymmetricGauss(zfit.pdf.ZPDF):
    _N_OBS = 1
    _PARAMS = ['mean', 'std', 'alpha']

    def _unnormalized_pdf(self, x):
        x = zfit.z.unstack_x(x)
        mean = self.params['mean']
        std = self.params['std']
        alpha = self.params['alpha']

        t = (x - mean) / std
        # 修正标准正态分布的非归一化形式
        normal = zfit.z.exp(-0.5 * t**2) / (std * tf.sqrt(2 * tf.constant(math.pi)))
        # 使用TensorFlow兼容的误差函数
        cumulative = 0.5 * (1 + tf.math.erf(alpha * t / tf.sqrt(2)))
        return 2 * normal * cumulative

更优实现方式 #

如果不想手动继承ZPDF，可以用zfit提供的FuncPDF快速构建自定义PDF，代码更简洁：

import zfit
import tensorflow as tf
import math

def skew_normal_func(x, mean, std, alpha):
    x = zfit.z.unstack_x(x)
    t = (x - mean) / std
    normal = zfit.z.exp(-0.5 * t**2) / (std * tf.sqrt(2 * tf.constant(math.pi)))
    cumulative = 0.5 * (1 + tf.math.erf(alpha * t / tf.sqrt(2)))
    return 2 * normal * cumulative

# 定义可拟合参数
mean = zfit.Parameter("mean", 0, -5, 5)
std = zfit.Parameter("std", 1, 0.1, 5)
alpha = zfit.Parameter("alpha", 1, -5, 5)

# 生成Skew Normal PDF
skew_normal_pdf = zfit.pdf.FuncPDF(func=skew_normal_func, params=[mean, std, alpha], obs='x')

关键注意事项 #

• 所有计算必须使用TensorFlow/zfit封装的张量函数，禁止混用math/scipy等仅支持NumPy的函数，否则会破坏TensorFlow的计算图逻辑。
• 严格遵循Skew Normal分布的数学定义，确保公式细节（如指数项系数、误差函数内的缩放因子）准确，否则会导致分布形态偏差。

内容的提问来源于stack exchange，提问作者Jordan C. Correa