如何在TensorFlow/Keras中实现norm.ppf()功能？

SciPy的norm.ppf()是正态分布累积分布函数（CDF）的逆函数，但它依赖NumPy实现，无法直接嵌入TensorFlow/Keras的计算图中（会导致无法自动微分、无法部署等问题）。下面用TensorFlow原生函数实现等价功能，并封装成可直接使用的Keras层。

核心实现逻辑 #

正态分布CDF的逆函数可以通过误差函数的逆函数tf.math.erfinv推导得到，公式如下：

norm.ppf(x) = √2 * erfinv(2x - 1)

注意输入x必须严格落在(0, 1)区间内，否则会触发数值错误，实现时可以加入截断处理。

1. 实现基础函数 #

import tensorflow as tf

def tf_norm_ppf(x):
    # 截断输入，避免超出erfinv的有效范围
    x_clipped = tf.clip_by_value(x, 1e-8, 1 - 1e-8)
    # 计算逆CDF
    return tf.math.sqrt(2.0) * tf.math.erfinv(2 * x_clipped - 1)

2. 封装为Keras自定义层 #

如果需要作为模型的一层使用，可以封装成Keras Layer类：

class NormPPFLayer(tf.keras.layers.Layer):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)
    
    def call(self, inputs):
        return tf_norm_ppf(inputs)
    
    def get_config(self):
        config = super().get_config()
        return config

3. 在模型中使用示例 #

# 构建简单测试模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(32, activation='relu', input_shape=(10,)),
    NormPPFLayer()  # 加入自定义的逆CDF层
])

# 测试前向传播
test_input = tf.random.uniform((2, 10), minval=0.01, maxval=0.99)
output = model(test_input)
print(output.shape)  # 输出 (2, 32)

内容的提问来源于stack exchange，提问作者Tanzin Farhat