Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

TensorFlow-Wahrscheinlichkeit

TensorFlow Probability ist eine Bibliothek für probabilistisches Denken und statistische Analyse in TensorFlow. Als Teil des TensorFlow-Ökosystems bietet TensorFlow Probability die Integration probabilistischer Methoden in tiefe Netzwerke, gradientenbasierte Inferenz durch automatische Differenzierung und Skalierbarkeit für große Datenmengen und Modelle mit Hardwarebeschleunigung (GPUs) und verteilter Berechnung.

Informationen zum Einstieg in TensorFlow Probability finden Sie im Installationshandbuch und in den Python-Notebook-Tutorials .

Komponenten

Unsere probabilistischen Werkzeuge für maschinelles Lernen sind wie folgt strukturiert:

Schicht 0: TensorFlow

Numerische Operationen - insbesondere die LinearOperator Klasse - ermöglichen LinearOperator Implementierungen, die eine bestimmte Struktur (Diagonale, niedriger Rang usw.) für eine effiziente Berechnung ausnutzen können. Es wird vom TensorFlow Probability-Team erstellt und gewartet und ist Teil von tf.linalg im Kern von TensorFlow.

Schicht 1: Statistische Bausteine

Schicht 2: Modellbau

  • Gemeinsame Verteilungen (z. B. tfp.distributions.JointDistributionSequential ): Gemeinsame Verteilungen über eine oder mehrere möglicherweise voneinander abhängige Verteilungen. Eine Einführung in die Modellierung mit den JointDistribution s von TFP JointDistribution Sie in dieser Spalte
  • Probabilistische Schichten ( tfp.layers ): Neuronale Netzwerkschichten mit Unsicherheit über die Funktionen, die sie darstellen, erweitern TensorFlow-Schichten.

Schicht 3: Probabilistische Inferenz

  • Markov-Kette Monte Carlo ( tfp.mcmc ): Algorithmen zur Approximation von Integralen durch Abtastung. Enthält Hamiltonian Monte Carlo , Metropolis-Hastings mit zufälligen Schritten und die Möglichkeit, benutzerdefinierte Übergangskerne zu erstellen.
  • Variationsinferenz ( tfp.vi ): Algorithmen zur Approximation von Integralen durch Optimierung.
  • Optimierer ( tfp.optimizer ): Stochastische Optimierungsmethoden zur Erweiterung der TensorFlow-Optimierer. Beinhaltet stochastische Gradienten-Langevin-Dynamik .
  • Monte Carlo ( tfp.monte_carlo ): Tools zur Berechnung der Monte-Carlo-Erwartungen.

TensorFlow Probability befindet sich in der aktiven Entwicklung und die Schnittstellen können sich ändern.

Beispiele

Zusätzlich zu den in der Navigation aufgeführten Python-Notebook-Tutorials stehen einige Beispielskripte zur Verfügung:

Probleme melden

Melden Sie Fehler oder Funktionsanforderungen mithilfe des TensorFlow Probability Issue Trackers .