TensorFlow प्रायिकता TensorFlow में संभाव्य तर्क और सांख्यिकीय विश्लेषण के लिए एक पुस्तकालय है। TensorFlow इकोसिस्टम के भाग के रूप में, TensorFlow प्रायिकता, गहरे नेटवर्क के साथ संभाव्य तरीकों का एकीकरण प्रदान करती है, स्वचालित भेदभाव का उपयोग करते हुए ग्रेडिएंट-बेस्ड इनफैक्टरी, और हार्डवेयर एक्सेलेरेशन (GPU) के साथ बड़े डेटासेट और मॉडल के लिए स्केलेबिलिटी।
TensorFlow संभाव्यता के साथ आरंभ करने के लिए, इंस्टॉल गाइड देखें और पायथन नोटबुक ट्यूटोरियल देखें ।
अवयव
हमारे संभावित मशीन सीखने के उपकरण इस प्रकार संरचित हैं:
परत 0: टेन्सरफ्लो
न्यूमेरिकल ऑपरेशंस -विशेष रूप से, LinearOperator
वर्ग - मैट्रिक्स-मुक्त कार्यान्वयन को सक्षम करता है जो कुशल गणना के लिए एक विशेष संरचना (विकर्ण, निम्न-श्रेणी, आदि) का शोषण कर सकता है। यह TensorFlow संभाव्यता टीम द्वारा बनाया और बनाए रखा गया है और कोर TensorFlow में tf.linalg
का हिस्सा है।
परत 1: सांख्यिकीय बिल्डिंग ब्लॉक
- वितरण (
tfp.distributions
): संभावना वितरण और बैच और प्रसारण शब्दार्थ के साथ संबंधित आँकड़ों का एक बड़ा संग्रह। - Bijectors (
tfp.bijectors
): यादृच्छिक चरों के प्रतिवर्ती औरtfp.bijectors
रूपांतरण। Bijectors, शास्त्रीय उदाहरणों से, लॉग-सामान्य वितरण जैसे परिष्कृत गहन शिक्षण मॉडल जैसे नकाबपोश autoregressive flow के रूप में परिवर्तित वितरण का एक समृद्ध वर्ग प्रदान करते हैं।
परत 2: मॉडल बिल्डिंग
- संयुक्त वितरण (जैसे,
tfp.distributions.JointDistributionSequential
): संयुक्त वितरण एक या एक से अधिक संभवतः-अन्योन्याश्रित वितरण। TFP केJointDistribution
s के साथ मॉडलिंग के लिए परिचय के लिए, इस कोलाब को देखें - संभाव्य परतें (
tfp.layers
): तंत्रिका नेटवर्क की परतें जिन कार्यों का प्रतिनिधित्व करती हैं, उन पर अनिश्चितता के साथ TensorFlow परतों का विस्तार होता है।
परत 3: संभाव्य आविष्कार
- मार्कोव श्रृंखला मोंटे कार्लो (
tfp.mcmc
): नमूने के माध्यम सेtfp.mcmc
लिए एल्गोरिदम। हैमिल्टनियन मोंटे कार्लो , रैंडम-वॉक मेट्रोपोलिस-हेस्टिंग्स, और कस्टम संक्रमण गुठली बनाने की क्षमता शामिल है। - भिन्नता
tfp.vi
(tfp.vi
): अनुकूलन के माध्यम सेtfp.vi
लिए एल्गोरिदम। - ऑप्टिमाइज़र (
tfp.optimizer
): स्टोचस्टिक ऑप्टिमाइज़ेशन मेथड्स, TensorFlow ऑप्टिमाइज़र का विस्तार। स्टोचैस्टिक ग्रेडिएंट लैंगविन डायनेमिक्स शामिल है । - मोंटे कार्लो (
tfp.monte_carlo
): मोंटे कार्लो उम्मीदों की गणना के लिए उपकरण।
TensorFlow संभावना सक्रिय विकास के तहत है और इंटरफेस बदल सकते हैं।
उदाहरण
नेविगेशन में सूचीबद्ध पायथन नोटबुक ट्यूटोरियल के अलावा, कुछ उदाहरण स्क्रिप्ट उपलब्ध हैं:
- एक भिन्न कोड और परिवर्तनशील आक्षेप के साथ भिन्नतापूर्ण ऑटोकैनॉडर्स -प्रशिक्षण।
- वेक्टर-क्वांटिज्ड ऑटोटेक्नोडर-वेक्टर प्रतिनिधित्व के साथ विसरित प्रतिनिधित्व।
- बायेसियन न्यूरल नेटवर्क्स- उनके वजन पर अनिश्चितता के साथ तंत्रिका नेटवर्क ।
- बाइसियन लॉजिस्टिक रिग्रेशन-बायेसियन बाइनरी वर्गीकरण के लिए अनुमान।
रिपोर्ट जारी करें
TensorFlow प्रायिकता समस्या ट्रैकर का उपयोग करके बग या फ़ीचर अनुरोधों की रिपोर्ट करें।