¡El Día de la Comunidad de ML es el 9 de noviembre! Únase a nosotros para recibir actualizaciones de TensorFlow, JAX, y más Más información

Probabilidad de TensorFlow

TensorFlow Probability es una biblioteca para el razonamiento probabilístico y el análisis estadístico en TensorFlow. Como parte del ecosistema de TensorFlow, TensorFlow Probability proporciona integración de métodos probabilísticos con redes profundas, inferencia basada en gradientes mediante la diferenciación automática y escalabilidad a grandes conjuntos de datos y modelos con aceleración de hardware (GPU) y computación distribuida.

Para comenzar con TensorFlow Probabilidad, consulte la guía de instalación y ver los tutoriales de Python portátiles .

Componentes

Nuestras herramientas de aprendizaje automático probabilístico están estructuradas de la siguiente manera:

Capa 0: TensorFlow

Operaciones numéricas -en particular, el LinearOperator clase permite implementaciones sin matriz que pueden explotar una estructura particular (diagonal, de bajo rango, etc.) para el cálculo eficiente. Está construido y mantenido por el equipo de probabilidad TensorFlow y es parte de tf.linalg en TensorFlow núcleo.

Capa 1: Bloques de construcción estadísticos

Capa 2: Construcción de modelos

  • Joint distribuciones (por ejemplo, tfp.distributions.JointDistributionSequential ): distribuciones de conjunto sobre uno o distribuciones más posiblemente-interdependientes. Para una introducción a la modelización de la PTF con JointDistribution s, echa un vistazo a este colab
  • Capas probabilísticos ( tfp.layers ): capas de red neuronal con incertidumbre sobre las funciones que representan, que se extienden capas TensorFlow.

Capa 3: Inferencia probabilística

  • Cadena de Markov Monte Carlo ( tfp.mcmc ): Algoritmos para aproximar integrales a través de muestreo. Incluye hamiltoniano Monte Carlo , del paseo aleatorio Metropolis-Hastings, y la capacidad de los núcleos de transición de generación personalizada.
  • Inferencia variacional ( tfp.vi ): Algoritmos para aproximar integrales a través de la optimización.
  • Optimizadores ( tfp.optimizer ): métodos de optimización estocástica, que se extienden TensorFlow optimizadores. Incluye estocásticos gradiente Langevin Dinámica .
  • Monte Carlo ( tfp.monte_carlo ): Herramientas para el cálculo de las expectativas de Monte Carlo.

TensorFlow Probability está en desarrollo activo y las interfaces pueden cambiar.

Ejemplos de

Además de los tutoriales de Python portátiles que figuran en la navegación, hay algunos ejemplos que están disponibles:

Informar problemas

Informar de los errores o peticiones utilizando el gestor de incidencias Probabilidad TensorFlow .