Probabilidad de TensorFlow

TensorFlow Probability es una biblioteca para razonamiento probabilístico y 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 vea los tutoriales del cuaderno de Python .

Componentes

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

Capa 0: TensorFlow

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

Capa 1: Bloques de construcción estadísticos

Capa 2: Construcción de modelos

  • Distribuciones conjuntas (p. ej., tfp.distributions.JointDistributionSequential ): distribuciones conjuntas sobre una o más distribuciones posiblemente interdependientes. Para obtener una introducción al modelado con JointDistribution 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 aproximar integrales mediante muestreo. Incluye Hamiltonian Monte Carlo , Metropolis-Hastings de paseo aleatorio y la capacidad de crear núcleos de transición personalizados.
  • Inferencia variacional ( tfp.vi ): Algoritmos para aproximar integrales mediante optimización.
  • Optimizadores ( tfp.optimizer ): métodos de optimización estocástica que amplían los optimizadores de TensorFlow. Incluye dinámica de Langevin con 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 aparecen en la navegación, hay algunos scripts de ejemplo disponibles:

Informar problemas

Informe errores o solicitudes de funciones utilizando el rastreador de problemas de probabilidad de TensorFlow .