jax.scipy 模块

jax.scipy.cluster

vq(obs, code_book[, check_finite])

将代码簿中的代码分配给一组观测值。

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])	计算输入的逆离散余弦变换
idctn(x[, type, s, axes, norm])	计算输入的多维逆离散余弦变换

jax.scipy.integrate

trapezoid(y[, x, dx, axis])

使用复合梯形法则沿给定轴积分。

jax.scipy.interpolate

RegularGridInterpolator(points, values[, ...])

在规则矩形网格上插值点。

jax.scipy.linalg

block_diag(*arrs)	从输入数组创建分块对角矩阵。
cho_factor(a[, lower, overwrite_a, check_finite])	基于乔列斯基分解的线性求解的因子分解
cho_solve(c_and_lower, b[, overwrite_b, ...])	使用乔列斯基分解求解线性系统
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()	计算厄米特矩阵的特征值和特征向量
eigh_tridiagonal(d, e, *[, eigvals_only, ...])	求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()	计算矩阵指数的弗雷歇导数。
funm(A, func[, disp])	评估矩阵值函数
hessenberg()	计算矩阵的赫森伯格形式
hilbert(n)	创建n阶希尔伯特矩阵。
inv(a[, overwrite_a, check_finite])	返回方阵的逆
lu()	计算LU分解
lu_factor(a[, overwrite_a, check_finite])	基于LU分解的线性求解的因子分解
lu_solve(lu_and_piv, b[, trans, ...])	使用LU分解求解线性系统
pascal(n[, kind])	创建n阶帕斯卡矩阵近似。
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])	将实舒尔形式转换为复舒尔形式。
schur(a[, output])	计算舒尔分解
solve(a, b[, lower, overwrite_a, ...])	求解线性方程组。
solve_triangular(a, b[, trans, lower, ...])	求解三角线性方程组
sqrtm(A[, blocksize])	计算矩阵平方根
svd()	计算奇异值分解。
toeplitz(c[, r])	构造一个托普利茨矩阵。

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, ...)	包含优化结果的对象。

jax.scipy.signal

fftconvolve(in1, in2[, mode, axes])	使用快速傅里叶变换 (FFT) 对两个 N 维数组进行卷积。
convolve(in1, in2[, mode, method, precision])	两个 N 维数组的卷积。
convolve2d(in1, in2[, mode, boundary, ...])	两个 2 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 2 维数组的互相关。
csd(x, y[, fs, window, nperseg, noverlap, ...])	使用 Welch 方法估计互功率谱密度 (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

Rotation(quat)	三维旋转。
Slerp(times, timedelta, rotations, rotvecs)	旋转的球面线性插值。

jax.scipy.sparse.linalg

bicgstab(A, b[, x0, tol, atol, maxiter, M])	使用双共轭梯度稳定迭代求解 Ax = b。
cg(A, b[, x0, tol, atol, maxiter, M])	使用共轭梯度迭代求解 Ax = b。
gmres(A, b[, x0, tol, atol, restart, ...])	GMRES 求解线性系统 A x = b 中的 x，给定 A 和 b。

jax.scipy.special

bernoulli(n)	生成前 N 个伯努利数。
beta(a, b)	贝塔函数
betainc(a, b, x)	正则化不完全贝塔函数。
betaln(a, b)	贝塔函数绝对值的自然对数
digamma(x)	双伽马函数
entr(x)	熵函数
erf(x)	误差函数
erfc(x)	误差函数的补函数
erfinv(x)	误差函数的逆函数
exp1(x)	指数积分函数。
expi	指数积分函数。
expit(x)	逻辑S形（expit）函数
expn	广义指数积分函数。
factorial(n[, exact])	阶乘函数
fresnel	菲涅耳积分
gamma(x)	伽马函数。
gammainc(a, x)	正则化下不完全伽马函数。
gammaincc(a, x)	正则化上不完全伽马函数。
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)	零阶修正贝塞尔函数。
i0e(x)	零阶指数标度修正贝塞尔函数。
i1(x)	一阶修正贝塞尔函数。
i1e(x)	一阶指数标度修正贝塞尔函数。
kl_div(p, q)	库尔巴克-莱布勒散度。
log_ndtr	对数正态分布函数。
log_softmax(x, /, *[, axis])	Log-Softmax 函数。
logit	logit 函数
logsumexp()	对数和指数缩减。
lpmn(m, n, z)	第一类关联勒让德函数 (ALFs)。
lpmn_values(m, n, z, is_normalized)	第一类关联勒让德函数 (ALFs)。
multigammaln(a, d)	多元伽马函数的自然对数。
ndtr(x)	正态分布函数。
ndtri(p)	正态分布函数的 CDF 的逆。
poch	普赫哈默尔符号。
polygamma(n, x)	多伽马函数。
rel_entr(p, q)	相对熵函数。
softmax(x, /, *[, axis])	Softmax 函数。
spence(x)	Spence 函数，也称为实数值的双对数函数。
sph_harm(m, n, theta, phi[, n_max])	计算球面谐波。
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	赫尔维茨 zeta 函数。

jax.scipy.stats

mode(a[, axis, nan_policy, keepdims])	计算数组沿某个轴的众数（最常见值）。
rankdata(a[, method, axis, nan_policy])	计算数组沿某个轴的数据秩。
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)	伯努利百分点函数。

jax.scipy.stats.beta

logpdf(x, a, b[, loc, scale])	贝塔对数概率分布函数。
pdf(x, a, b[, loc, scale])	贝塔概率分布函数。
cdf(x, a, b[, loc, scale])	贝塔累积分布函数
logcdf(x, a, b[, loc, scale])	贝塔对数累积分布函数。
sf(x, a, b[, loc, scale])	贝塔分布生存函数。
logsf(x, a, b[, loc, scale])	贝塔分布对数生存函数。

jax.scipy.stats.betabinom

logpmf(k, n, a, b[, loc])	贝塔-二项式对数概率质量函数。
pmf(k, n, a, b[, loc])	贝塔-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])	柯西分布对数生存函数。
isf(q[, loc, scale])	柯西分布逆生存函数。
ppf(q[, loc, scale])	柯西分布百分点函数。

jax.scipy.stats.chi2

logpdf(x, df[, loc, scale])	卡方对数概率分布函数。
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。
logcdf(x[, loc, scale])	指数对数累积密度函数。
cdf(x[, loc, scale])	指数累积密度函数。
logsf(x[, loc, scale])	指数对数生存函数。
sf(x[, loc, scale])	指数生存函数。
ppf(q[, loc, scale])	指数生存函数。

jax.scipy.stats.gamma

logpdf(x, a[, loc, scale])	伽马对数概率分布函数。
pdf(x, a[, loc, scale])	伽马概率分布函数。
cdf(x, a[, loc, scale])	伽马累积分布函数。
logcdf(x, a[, loc, scale])	伽马对数累积分布函数。
sf(x, a[, loc, scale])	伽马生存函数。
logsf(x, a[, loc, scale])	伽马对数生存函数。

jax.scipy.stats.gumbel_l

logpdf(x[, loc, scale])	Gumbel 分布（左偏）对数概率分布函数。
pdf(x[, loc, scale])	Gumbel 分布（左偏）概率分布函数。
cdf(x[, loc, scale])	Gumbel 分布（左偏）累积密度函数。
logcdf(x[, loc, scale])	Gumbel 分布（左偏）对数累积密度函数。
sf(x[, loc, scale])	Gumbel 分布（左偏）生存函数。
logsf(x[, loc, scale])	Gumbel 分布（左偏）对数生存函数。
ppf(p[, loc, scale])	Gumbel 分布（左偏）百分点函数（CDF 的逆）

jax.scipy.stats.gumbel_r

logpdf(x[, loc, scale])	Gumbel 分布（右偏）对数概率分布函数。
pdf(x[, loc, scale])	Gumbel 分布（右偏）概率分布函数。
cdf(x[, loc, scale])	Gumbel 分布（右偏）累积密度函数。
logcdf(x[, loc, scale])	Gumbel 分布（右偏）对数累积密度函数。
sf(x[, loc, scale])	Gumbel 分布（右偏）生存函数。
logsf(x[, loc, scale])	Gumbel 分布（右偏）对数生存函数。
ppf(p[, loc, scale])	Gumbel 分布（右偏）百分点函数。

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])	逻辑累积分布函数。
isf(x[, loc, scale])	逻辑分布逆生存函数。
logpdf(x[, loc, scale])	逻辑对数概率分布函数。
pdf(x[, loc, scale])	逻辑概率分布函数。
ppf(x[, loc, scale])	逻辑分布百分点函数。
sf(x[, loc, scale])	逻辑分布生存函数。

jax.scipy.stats.multinomial

logpmf(x, n, p)	多项式对数概率质量函数。
pmf(x, n, p)	多项式概率质量函数。

jax.scipy.stats.multivariate_normal

logpdf(x, mean, cov[, allow_singular])	多元正态对数概率分布函数。
pdf(x, mean, cov)	多元正态概率分布函数。

jax.scipy.stats.nbinom

logpmf(k, n, p[, loc])	负二项式对数概率质量函数。
pmf(k, n, p[, loc])	负二项式概率质量函数。

jax.scipy.stats.norm

logpdf(x[, loc, scale])	正态对数概率分布函数。
pdf(x[, loc, scale])	正态概率分布函数。
cdf(x[, loc, scale])	正态累积分布函数。
logcdf(x[, loc, scale])	正态对数累积分布函数。
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])	帕累托概率分布函数。

jax.scipy.stats.poisson

logpmf(k, mu[, loc])	泊松对数概率质量函数。
pmf(k, mu[, loc])	泊松概率质量函数。
cdf(k, mu[, loc])	泊松累积分布函数。

jax.scipy.stats.t

logpdf(x, df[, loc, scale])	学生T对数概率分布函数。
pdf(x, df[, loc, scale])	学生T概率分布函数。

jax.scipy.stats.truncnorm

cdf(x, a, b[, loc, scale])	截断正态累积分布函数。
logcdf(x, a, b[, loc, scale])	截断正态对数累积分布函数。
logpdf(x, a, b[, loc, scale])	截断正态对数概率分布函数。
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])	均匀对数概率分布函数。
pdf(x[, loc, scale])	均匀概率分布函数。
cdf(x[, loc, scale])	均匀累积分布函数。
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)	在给定点上评估高斯 KDE。
gaussian_kde.integrate_gaussian(mean, cov)	积分由高斯加权的分布。
gaussian_kde.integrate_box_1d(low, high)	在给定限制范围内积分分布。
gaussian_kde.integrate_kde(other)	积分两个高斯 KDE 分布的乘积。
gaussian_kde.resample(key[, shape])	从估计的 pdf 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)	缠绕柯西对数概率分布函数。
pdf(x, c)	缠绕柯西概率分布函数。