torch.distributions.distribution 的源代码

```html

import warnings
from typing import Any, Dict, Optional, Tuple

import torch
from torch.distributions import constraints
from torch.distributions.utils import lazy_property
from torch.types import _size

__all__ = ["Distribution"]


class Distribution:
    r"""
    Distribution 是概率分布的抽象基类。
    """

    has_rsample = False
    has_enumerate_support = False
    _validate_args = __debug__

    @staticmethod
    def set_default_validate_args(value: bool) -> None:
        """
        设置是否启用验证。

        默认行为模仿 Python 的 ``assert`` 语句：默认情况下启用验证，但如果 Python 在优化模式下运行（通过 ``python -O``），则禁用验证。验证可能会很昂贵，因此一旦模型正常工作，您可能希望禁用它。

        参数:
            value (bool): 是否启用验证。
        """
        if value not in [True, False]:
            raise ValueError
        Distribution._validate_args = value

    def __init__(
        self,
        batch_shape: torch.Size = torch.Size(),
        event_shape: torch.Size = torch.Size(),
        validate_args: Optional[bool] = None,
    ):
        self._batch_shape = batch_shape
        self._event_shape = event_shape
        if validate_args is not None:
            self._validate_args = validate_args
        if self._validate_args:
            try:
                arg_constraints = self.arg_constraints
            except NotImplementedError:
                arg_constraints = {}
                warnings.warn(
                    f"{self.__class__} 未定义 `arg_constraints`。 "
                    + "请设置 `arg_constraints = {}` 或在初始化分布时 "
                    + "使用 `validate_args=False` 来关闭验证。"
                )
            for param, constraint in arg_constraints.items():
                if constraints.is_dependent(constraint):
                    continue  # 跳过无法检查的约束
                if param not in self.__dict__ and isinstance(
                    getattr(type(self), param), lazy_property
                ):
                    continue  # 跳过延迟构造的参数
                value = getattr(self, param)
                valid = constraint.check(value)
                if not valid.all():
                    raise ValueError(
                        f"预期的参数 {param} "
                        f"({type(value).__name__} 的形状 {tuple(value.shape)}) "
                        f"的分布 {repr(self)} "
                        f"满足约束 {repr(constraint)}, "
                        f"但发现无效值:\n{value}"
                    )
        super().__init__()

    def expand(self, batch_shape: torch.Size, _instance= None):
        """
        返回一个新的分布实例（或由派生类提供的现有实例），其批次维度扩展到 `batch_shape`。此方法调用 :class:`~torch.Tensor.expand` 在分布的参数上。因此，这不会为扩展的分布实例分配新的内存。此外，这不会在 `__init__.py` 中重复任何参数检查或参数广播，当实例首次创建时。

        参数:
            batch_shape (torch.Size): 所需的扩展大小。
            _instance: 由需要覆盖 `.expand` 的子类提供的新实例。

        返回:
            新的分布实例，批次维度扩展到 `batch_size`。
        """
        raise NotImplementedError

    @property
    def batch_shape(self) -> torch.Size:
        """
        返回参数批次的形状。
        """
        return self._batch_shape

    @property
    def event_shape(self) -> torch.Size:
        """
        返回单个样本的形状（不包括批次）。
        """
        return self._event_shape

    @property
    def arg_constraints(self) -> Dict[str, constraints.Constraint]:
<span class="