TensorFlow संभावना

संग्रह की मदद से व्यवस्थित रहें अपनी प्राथमिकताओं के आधार पर, कॉन्टेंट को सेव करें और कैटगरी में बांटें.

TensorFlow Probability TensorFlow में संभाव्य तर्क और सांख्यिकीय विश्लेषण के लिए एक पुस्तकालय है। TensorFlow पारिस्थितिकी तंत्र के हिस्से के रूप में, TensorFlow Probability गहरे नेटवर्क के साथ संभाव्य तरीकों का एकीकरण, स्वचालित भेदभाव का उपयोग करके ढाल-आधारित अनुमान, और हार्डवेयर त्वरण (GPUs) और वितरित गणना के साथ बड़े डेटासेट और मॉडल के लिए स्केलेबिलिटी प्रदान करता है।

TensorFlow संभावना के साथ आरंभ करने के लिए, देखें स्थापित गाइड और देखने अजगर नोटबुक ट्यूटोरियल ।

अवयव

हमारे संभाव्य मशीन लर्निंग टूल्स को इस प्रकार संरचित किया गया है:

परत 0: टेंसरफ्लो

न्यूमेरिकल संचालन विशेष -इन, LinearOperator मैट्रिक्स मुक्त कार्यान्वयन कि कुशल गणना के लिए एक विशेष संरचना (विकर्ण, कम रैंक, आदि) दोहन कर सकते हैं वर्ग सक्षम बनाता है। यह बनाया गया है और TensorFlow संभावना टीम द्वारा बनाए रखा और का हिस्सा है tf.linalg कोर TensorFlow में।

परत 1: सांख्यिकीय बिल्डिंग ब्लॉक्स

  • वितरण ( tfp.distributions ): संभाव्यता वितरण और बैच के साथ संबंधित आंकड़े और का एक बड़ा संग्रह प्रसारण अर्थ विज्ञान।
  • Bijectors ( tfp.bijectors ): प्रतिवर्ती और यादृच्छिक चर के composable परिवर्तनों। Bijectors तब्दील वितरण के एक अमीर वर्ग, जैसे शास्त्रीय उदाहरण से प्रदान लॉग-सामान्य वितरण जैसे परिष्कृत गहरी लर्निंग मॉडल को नकाबपोश autoregressive प्रवाह ।

परत 2: मॉडल बिल्डिंग

  • संयुक्त वितरण (जैसे, tfp.distributions.JointDistributionSequential ): एक या अधिक संभवतः-अन्योन्याश्रित वितरण से अधिक संयुक्त वितरण। साथ TFP के मॉडलिंग के परिचय के लिए JointDistribution है, बाहर की जाँच इस colab
  • संभाव्य परतों ( tfp.layers ): कार्यों वे प्रतिनिधित्व से अधिक अनिश्चितता से तंत्रिका नेटवर्क परतों, TensorFlow परतों का विस्तार।

परत 3: संभाव्य अनुमान

  • मार्कोव श्रृंखला मोंटे कार्लो ( tfp.mcmc ): एल्गोरिदम नमूने के माध्यम से अभिन्न का अनुमान करने के लिए। शामिल Hamiltonian मोंटे कार्लो , यादृच्छिक वॉक महानगरों-हेस्टिंग्स, और निर्माण कस्टम संक्रमण कर्नेल करने की क्षमता।
  • परिवर्तन संबंधी निष्कर्ष ( tfp.vi ): एल्गोरिदम अनुकूलन के माध्यम से अभिन्न का अनुमान करने के लिए।
  • Optimizers ( tfp.optimizer ): स्टोकेस्टिक अनुकूलन विधियों, TensorFlow Optimizers विस्तार। शामिल स्टोकेस्टिक ढाल Langevin गतिशीलता ।
  • मोंटे कार्लो ( tfp.monte_carlo ): कंप्यूटिंग मोंटे कार्लो उम्मीदों के लिए उपकरण।

TensorFlow प्रायिकता सक्रिय विकास के अधीन है और इंटरफेस बदल सकते हैं।

उदाहरण

के अलावा अजगर नोटबुक ट्यूटोरियल नेविगेशन में दिखाई, वहाँ कुछ उदाहरण स्क्रिप्ट उपलब्ध हैं:

मुद्दों की रिपोर्ट करें

रिपोर्ट कीड़े या का उपयोग कर सुविधा अनुरोधों TensorFlow संभावना समस्या ट्रैकर ।