转自：/jiangkejie/p/12939776.html
高斯分布是一类非常重要的概率分布，在概率统计，机器学习中经常用到。
一维高斯分布
一维高斯分布的概率密度函数（pdf）形式为：
红色的曲线是标准的正态分布，即均值为0，方差为1的正态分布。
我们可以采用以下方程从均值为μ 标准差为σ的高斯分布中采样（再参数化技巧）:
其中，ϵ从一个标准高斯分布中采样。
多维/多变量高斯分布
正态分布的概念可以扩展到一个以上的维度——k维的一般多元正态分布的概率密度函数如下:
其中，|Σ|为协方差矩阵的行列式。
在2D中，均值向量μ和对称的协方差矩阵Σ定义为：
其中ρ是两个维度x1和x2之间的相关系数。
各向同性的高斯分布
各向同性的高斯分布（球形高斯分布）指的是各个方向方差都一样的多维高斯分布，协方差为正实数与identity matrix相乘。
因为高斯的circular symmetry，只需要让每个轴上的长度一样就能得到各向同性，也就是说分布密度值仅跟点到均值距离相关，而不和方向有关。
各向同性的高斯每个维度之间也是互相独立的，因此密度方程可以写成几个1维度高斯乘积形式。要注意的是，几个高斯分布乘在一起得到各向同性，但几个Laplace分布相乘就得不到各向同性！
此类高斯分布的参数个数随维度成线性增加，只有均值在增加，而方差是一个标量，因此对计算和存储量的要求不大，因此非常讨人喜欢~
其中，Σ=σI,I为单位阵，σ为标量。
两个多元高斯分布之间的KL散度的解析表示
根据上述引理，可推导出两个多元高斯分布之间的KL散度的解析表示：
具有对角协方差矩阵的多元高斯分布与多元标准高斯分布间的KL散度
对角形式的协方差矩阵Σ= diag(σ2),σ为标准差向量。
具有对角协方差矩阵的高斯分布每个维度之间也是互相独立的，因此密度方程也可以写成几个1维度高斯乘积形式。
一种直观的解释方式：
注意到，密度方程可以写成几个1维度高斯乘积形式，
最后的结果是各个维度结果的加和。
复数高斯分布
随机变量是复数时，定义以下复高斯分布：
当mu=0时，该分布是圆对称的（对于x的相位偏移具有不变性）。
参考：
/question/343638697/answer/808598383
https://kexue.fm/archives/5253
/NeutronT/article/details/78086340
