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 de 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 del notebook 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 .