روز جامعه ML 9 نوامبر است! برای به روز رسانی از TensorFlow، JAX به ما بپیوندید، و بیشتر بیشتر بدانید

احتمال TensorFlow

احتمال TensorFlow کتابخانه ای برای استدلال احتمالی و تجزیه و تحلیل آماری در TensorFlow است. به عنوان بخشی از اکوسیستم TensorFlow ، TensorFlow Probability ادغام روش های احتمالی با شبکه های عمیق ، استنتاج مبتنی بر شیب با استفاده از تمایز خودکار و مقیاس پذیری در مجموعه داده ها و مدل های بزرگ با شتاب سخت افزاری (GPU) و محاسبه توزیع شده را فراهم می کند.

برای دریافت با احتمال TensorFlow آغاز شده، نگاه کنید به راهنمای نصب و مشاهده آموزش های نوت بوک پایتون .

اجزاء

ابزارهای احتمالی یادگیری ماشین ما به شرح زیر است:

لایه 0: TensorFlow

عملیات عددی -در طور خاص، LinearOperator کلاس را قادر می سازد پیاده سازی رایگان ماتریس است که می تواند یک ساختار خاص (مورب، کم رتبه، و غیره) برای محاسبات کارآمد بهره برداری. این ساخته شده است و توسط تیم احتمال TensorFlow و بخشی از است tf.linalg در TensorFlow هسته ای است.

لایه 1: بلوک های ساختمان آماری

  • توزیع ( tfp.distributions ): مجموعه بزرگی از توزیع های احتمال و آمار مرتبط با دسته ای و پخش معناشناسی.
  • Bijectors ( tfp.bijectors ): برگشت پذیر و تحولات ساخت مجموع متغیرهای تصادفی. Bijectors ارائه طبقه ثروتمند از توزیعهای تبدیل شده است، از نمونه های کلاسیک مانند توزیع لوگ نرمال به مدل های یادگیری عمیق پیچیده مانند جریان خود کاهشی پوشانده .

لایه 2: ساختمان مدل

  • توزیع مشترک (به عنوان مثال، tfp.distributions.JointDistributionSequential ): توزیع مشترک بیش از یک یا توزیع تر احتمالا-وابسته است. برای معرفی به مدل سازی با بهره وری کل عوامل را JointDistribution بازدید کنندگان، چک کردن این COLAB
  • لایه های احتمالاتی ( tfp.layers ): لایه شبکه عصبی با عدم قطعیت در توابع آنها نشان دهنده، گسترش لایه TensorFlow.

لایه 3: استنباط احتمالی

  • زنجیره مارکوف مونت کارلو ( tfp.mcmc ): الگوریتم برای تقریب انتگرال از طریق نمونه برداری. شامل هامیلتونی مونت کارلو ، تصادفی پیاده روی کلانشهر-هیستینگز، و توانایی مغز انتقال ساخت سفارشی.
  • تغییرات استنتاج ( tfp.vi ): الگوریتم برای تقریب انتگرال از طریق بهینه سازی.
  • بهینه ( tfp.optimizer ): روش های بهینه سازی تصادفی، گسترش TensorFlow بهینه. شامل تصادفی گرادیان لانگوین دینامیک .
  • مونت کارلو ( tfp.monte_carlo ): ابزار برای محاسبه انتظارات مونت کارلو.

احتمال TensorFlow در حال توسعه فعال است و رابط ها ممکن است تغییر کنند.

مثال ها

علاوه بر آموزش نوت بوک پایتون ذکر شده در ناوبری، برخی از اسکریپت به عنوان مثال در دسترس وجود دارد:

گزارش مسائل

گزارش اشکالات و یا درخواست ویژگی با استفاده از ردیاب TensorFlow مسئله احتمال .