הסתברות TensorFlow

TensorFlow הסתברות היא ספריה לחשיבה הסתברותית וניתוח סטטיסטי ב- TensorFlow. כחלק מהמערכת האקולוגית TensorFlow, TensorFlow Probability מספק אינטגרציה של שיטות הסתברותיות עם רשתות עמוקות, היסק מבוסס שיפוע באמצעות בידול אוטומטי, ומדרגיות למערכי נתונים גדולים ומודלים עם האצת חומרה (GPU) וחישוב מבוזר.

כדי להתחיל עם הסתברות TensorFlow, עיין במדריך ההתקנה והצג את מדריכי המחשב הנייד של Python .

רכיבים

כלי הלמידה המכונתית ההסתברותית שלנו בנויים כדלקמן:

שכבה 0: TensorFlow

פעולות מספריות - ובמיוחד מחלקת LinearOperator - מאפשרות הטמעה ללא מטריצות שיכולות לנצל מבנה מסוים (אלכסוני, נמוך בדרגה וכו ') לצורך חישוב יעיל. הוא נבנה ומתוחזק על ידי צוות ההסתברות של TensorFlow והוא חלק מ- tf.linalg בליבה של TensorFlow.

שכבה 1: אבני בניין סטטיסטיות

שכבה 2: בניית מודל

  • הפצות משותפות (למשל, tfp.distributions.JointDistributionSequential ): התפלגויות משותפות על פני התפלגות אחת או יותר תלויות זו בזו. לקבלת מבוא לדוגמנות עם ה- JointDistribution של TFP, עיין במכלאה זו
  • שכבות הסתברותיות ( tfp.layers ): שכבות רשת עצביות עם אי ודאות לגבי הפונקציות שהם מייצגים, ומרחיבות את שכבות TensorFlow.

שכבה 3: מסקנה הסתברותית

  • רשת מרקוב מונטה קרלו ( tfp.mcmc ): אלגוריתמים לקירוב אינטגרלים באמצעות דגימה. כולל מונטון קרלו המילטוניאן , מטרופולין הייסטינגס בהליכה אקראית ויכולת לבנות גרעיני מעבר מותאמים אישית.
  • tfp.vi וריאציה ( tfp.vi ): אלגוריתמים לקירוב אינטגרלים באמצעות אופטימיזציה.
  • אופטימיזציה ( tfp.optimizer ): שיטות אופטימיזציה סטוכסטיות, הרחבת אופטימיזציה של TensorFlow. כולל דינמיקה סטראווסטית של Langevin .
  • מונטה קרלו ( tfp.monte_carlo ): כלים למחשוב ציפיות מונטה קרלו.

ההסתברות של TensorFlow נמצאת בפיתוח פעיל וממשקים עשויים להשתנות.

דוגמאות

בנוסף ללימודי המחברת של Python המופיעים בניווט, ישנם מספר סקריפטים לדוגמא זמינים:

דווח על בעיות

דווח על באגים או בקשות תכונות באמצעות גשש הבעיות של TensorFlow .