TensorFlow Probability, TensorFlow'da olasılıksal akıl yürütme ve istatistiksel analiz için bir kitaplıktır. TensorFlow ekosisteminin bir parçası olarak TensorFlow Probability, olasılıksal yöntemlerin derin ağlarla entegrasyonunu, otomatik farklılaşmayı kullanan gradyan tabanlı çıkarımı ve donanım hızlandırma (GPU'lar) ve dağıtılmış hesaplama ile büyük veri kümelerine ve modellere ölçeklenebilirlik sağlar.
TensorFlow Olasılık başlamak için, bkz yüklemek kılavuzunu ve görüntülemek Python dizüstü öğreticiler .
Bileşenler
Olasılığa dayalı makine öğrenimi araçlarımız aşağıdaki gibi yapılandırılmıştır:
Katman 0: TensorFlow
Sayısal işlemler özellikle -doğal, LinearOperator etkili hesaplama için belirli bir yapı (diyagonal, düşük seviye, vs.) yararlanabilir matris içermeyen uygulamaları sınıf sağlar. Bu inşa ve TensorFlow Olasılık ekibi tarafından tutulan ve bir parçasıdır tf.linalg çekirdek TensorFlow içinde.
Katman 1: İstatistiksel Yapı Taşları
- Dağılımları (
tfp.distributions): Olasılık dağılımları ve parti ile ilgili istatistikler ve büyük bir koleksiyon yayın semantik. - Bijectors (
tfp.bijectors): Tersinir ve rastgele değişkenlerin tertip dönüşümler. Bijectors gibi klasik örneklerden dönüştürülmüş dağılımları zengin sınıfını sağlamak log-normal dağılım gibi sofistike derin öğrenme modellerine maskeli otoregresif akışları .
Katman 2: Model Oluşturma
- (Örneğin Bileşik Dağılımlar
tfp.distributions.JointDistributionSequential): bir veya birden fazla olasılıkla-bağımlı dağılımlar üzerinde Eklem dağılımları. TFP en ile modelleme giriş içinJointDistributionler, kontrol bu CoLab - Olasılık tabakalar (
tfp.layers): temsil ettikleri fonksiyonları üzerinde belirsizlikle Sinir ağı katmanları, TensorFlow tabakalar uzanır.
Katman 3: Olasılıksal Çıkarım
- Monte Carlo Markov zinciri (
tfp.mcmc): Algoritma örnekleme yoluyla integralleri yaklaştırmak için. İçerir Hamilton, Monte Carlo , rastgele yürüyüş Metropolis-Hastings ve inşa özel geçiş çekirdekleri yeteneği. - Varyasyon Çıkarım (
tfp.vi): Algoritmalar optimizasyon ile integraller yaklaştırmak için. - Optimize (
tfp.optimizer): stokastik optimizasyon yöntemleri, TensorFlow Optimizers uzanır. İçerir Stokastik Gradyan Langevin Dinamikleri . - Monte Carlo (
tfp.monte_carlo): Monte Carlo beklentilerini hesaplamak için araçlar.
TensorFlow Probability aktif geliştirme aşamasındadır ve arayüzler değişebilir.
Örnekler
Ek olarak Python dizüstü öğreticiler navigasyon listelenen bazı örnek komut dosyaları mevcut bulunmaktadır:
- Varyasyon Autoencoders gizli kodu ve varyasyon çıkarsama ile öğrenme -Representation.
- Vektör-Quantized Autoencoder vektör nicelemesinden ile -Discrete temsil öğrenme.
- Bayes Sinir Ağları ağırlıklarına üzerinde belirsizlikle -Neural ağlar.
- Bayes Lojistik Regresyon ikili sınıflandırma için -Bayesian çıkarsama.
Sorunları bildir
Rapor böcek kullanılarak veya özellik istekleri TensorFlow Olasılık sorunu izci .