¡Reserva! Google I / O regresa del 18 al 20 de mayo Regístrese ahora
Se usó la API de Cloud Translation para traducir esta página.
Switch to English

Probabilidad de TensorFlow

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

Para comenzar con TensorFlow Probability, consulte la guía de instalación y los tutoriales de notebook de Python .

Componentes

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

Capa 0: TensorFlow

Las operaciones numéricas, en particular la clase LinearOperator , permiten implementaciones sin matrices que pueden aprovechar una estructura particular (diagonal, rango bajo, etc.) para un cálculo eficiente. Está construido y mantenido por el equipo de probabilidad de TensorFlow y es parte de tf.linalg en el núcleo de TensorFlow.

Capa 1: bloques de construcción estadísticos

Capa 2: Construcción de modelos

  • Distribuciones conjuntas (por ejemplo, tfp.distributions.JointDistributionSequential ): Distribuciones conjuntas sobre una o más distribuciones posiblemente interdependientes. Para obtener una introducción al modelado con JointDistribution s de TFP, consulte esta colaboración
  • Capas probabilísticas ( tfp.layers ): capas de redes neuronales con incertidumbre sobre las funciones que representan, extendiendo las capas de TensorFlow.

Capa 3: Inferencia probabilística

  • Cadena de Markov Monte Carlo ( tfp.mcmc ): Algoritmos para la aproximación de integrales mediante muestreo. Incluye Hamiltonian Monte Carlo , Metropolis-Hastings de recorrido aleatorio y la capacidad de construir núcleos de transición personalizados.
  • Inferencia Variacional ( tfp.vi ): Algoritmos para la aproximación de integrales mediante optimización.
  • Optimizadores ( tfp.optimizer ): métodos de optimización estocástica que amplían los optimizadores de TensorFlow. Incluye dinámica de Langevin de gradiente estocástico .
  • Monte Carlo ( tfp.monte_carlo ): Herramientas para calcular las expectativas de Monte Carlo.

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

Ejemplos

Además de los tutoriales del cuaderno de Python que se enumeran en la navegación, hay algunos scripts de ejemplo disponibles:

Informar problemas

Informar errores o solicitudes de funciones con el rastreador de problemas de probabilidad de TensorFlow .