如何在TensorFlow中对区间条件下的标准高斯分布进行采样？

嘿，这个问题我刚好有实践经验，在TensorFlow里实现截断标准高斯分布（即服从N(0,1)且落在[x₁, x₂]区间）的采样，有两种实用方法，我给你拆解一下：

TensorFlow官方的概率库TFP已经封装好了截断正态分布的实现，这是最省心且高效的方案，底层做了优化还支持自动微分，非常适合深度学习场景。

步骤很简单：

1. 先导入TFP库
2. 定义截断标准高斯分布（均值0，标准差1，指定上下界x₁和x₂）
3. 调用sample()方法生成样本

示例代码：

import tensorflow as tf
import tensorflow_probability as tfp

# 替换成你的实际上下界值
x1 = -1.5
x2 = 2.0

# 初始化截断标准高斯分布
truncated_normal_dist = tfp.distributions.TruncatedNormal(
    loc=0.0,    # 标准高斯的均值
    scale=1.0,  # 标准高斯的标准差
    low=x1,     # 区间下界x₁
    high=x2     # 区间上界x₂
)

# 生成1000个符合要求的样本
num_samples = 1000
samples = truncated_normal_dist.sample(num_samples)

如果你的区间是半无限的（比如x₁=-∞或者x₂=+∞），直接用-tf.math.inf或tf.math.inf代替对应值就行，它会自动退化为半截断的高斯分布。

要是你不想依赖TFP，或者想手动理解采样的底层逻辑，那可以用接受拒绝法。原理很直白：先从标准高斯随机采样，然后只保留落在[x₁, x₂]区间内的样本，直到凑够你需要的数量。

示例代码：

import tensorflow as tf

def sample_truncated_gaussian(x1, x2, num_samples):
    collected_samples = []
    # 循环采样直到凑够数量
    while len(collected_samples) < num_samples:
        # 生成一批候选样本（数量是还缺的样本数，减少循环次数）
        candidates = tf.random.normal(shape=(num_samples - len(collected_samples),))
        # 筛选出落在[x₁, x₂]内的有效样本
        valid_mask = tf.logical_and(candidates >= x1, candidates <= x2)
        valid_samples = tf.boolean_mask(candidates, valid_mask)
        # 把有效样本加入列表
        collected_samples.extend(valid_samples.numpy())
    # 转换为Tensor并截断到目标数量
    return tf.convert_to_tensor(collected_samples[:num_samples])

# 使用示例：生成500个[-1, 1]区间内的标准高斯样本
samples = sample_truncated_gaussian(x1=-1.0, x2=1.0, num_samples=500)

不过这个方法有个小缺点：如果[x₁, x₂]区间很窄，大部分候选样本会被拒绝，采样效率会很低。而且上面的实现用了numpy()转换，要是需要自动微分的话，得调整成纯TensorFlow操作（比如用tf.while_loop）。

内容的提问来源于stack exchange，提问作者komark