TensorFlow Probability est une bibliothèque pour le raisonnement probabiliste et l'analyse statistique dans TensorFlow. Dans le cadre de l'écosystème TensorFlow, TensorFlow Probability fournit l'intégration de méthodes probabilistes avec des réseaux profonds, une inférence basée sur le gradient utilisant la différenciation automatique et une évolutivité vers de grands ensembles de données et modèles avec accélération matérielle (GPU) et calcul distribué.
Pour commencer à utiliser tensorflow probabilité, voir le guide d' installation et consulter les tutoriels bloc - notes Python .
Composants
Nos outils d'apprentissage automatique probabilistes sont structurés comme suit :
Couche 0 : TensorFlow
Les opérations numériques -En particulier, la LinearOperator classe permet des implémentations sans matrice qui peut exploiter une structure particulière (diagonale, faible rang, etc.) pour le calcul efficace. Il est construit et maintenu par l'équipe de probabilité tensorflow et fait partie de tf.linalg dans tensorflow noyau.
Couche 1 : Blocs de construction statistiques
- Distributions (
tfp.distributions): Une importante collection de distributions de probabilités et les statistiques connexes avec lot et de radiodiffusion sémantique. - Bijectors (
tfp.bijectors): réversible et transformations composables de variables aléatoires. Bijectors fournissent une classe riche de distributions transformées, à partir d' exemples classiques comme la distribution log-normale à des modèles d'apprentissage en profondeur sophistiqués tels que les flux autorégression masqués .
Couche 2 : Construction de modèles
- Distributions mixte (par exemple,
tfp.distributions.JointDistributionSequential): distributions en commun sur une ou plusieurs distributions peut-interdépendantes. Pour une introduction à la modélisation avec de TFPJointDistributions, consultez cette colab - Couches probabilistes (
tfp.layers): les couches du réseau de neurones avec l' incertitude sur les fonctions qu'ils représentent, l' extension des couches de tensorflow.
Couche 3 : Inférence probabiliste
- Chaîne de Markov Monte Carlo (
tfp.mcmc): algorithmes d'approximation par échantillonnage intégrales. Comprend hamiltonien Monte Carlo , marche aléatoire Metropolis-Hastings, et la capacité de construire des noyaux de transition personnalisés. - Variationnelle Inference (
tfp.vi): Algorithmes pour l' approximation par l' optimisation Intégrales. - Optimiseurs (
tfp.optimizer): méthodes d'optimisation stochastiques, étendant tensorflow optimiseurs. Comprend Stochastic Gradient Langevin Dynamics . - Monte Carlo (
tfp.monte_carlo): Outils de calcul des attentes de Monte Carlo.
TensorFlow Probability est en cours de développement et les interfaces peuvent changer.
Exemples
En plus des didacticiels portables Python répertoriés dans la navigation, il y a quelques exemples de scripts disponibles:
- Variationnelle Autoencoders -Représentation apprentissage avec un code latent et l' inférence variationnelle.
- Vecteur-Quantifié Autoencoder apprentissage de représentation -Discrete avec quantification vectorielle.
- Bayésienne réseaux de neurones réseaux -Neural avec l' incertitude sur leur poids.
- Logistique bayésienne régression inférence -Bayesian pour la classification binaire.
Signaler des problèmes
Signaler un bug ou demandes de fonctionnalités en utilisant la tensorflow probabilité numéro suivi .