Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

Probabilitas TensorFlow

TensorFlow Probability adalah library untuk penalaran probabilistik dan analisis statistik di TensorFlow. Sebagai bagian dari ekosistem TensorFlow, TensorFlow Probability menyediakan integrasi metode probabilistik dengan jaringan dalam, inferensi berbasis gradien menggunakan diferensiasi otomatis, dan skalabilitas ke set data dan model besar dengan akselerasi hardware (GPU) dan komputasi terdistribusi.

Untuk memulai Probabilitas TensorFlow, lihat panduan penginstalan dan lihat tutorial notebook Python .

Komponen

Alat pembelajaran mesin probabilistik kami disusun sebagai berikut:

Lapisan 0: TensorFlow

Operasi numerik — khususnya, kelas LinearOperator — memungkinkan implementasi bebas matriks yang dapat mengeksploitasi struktur tertentu (diagonal, peringkat rendah, dll.) Untuk komputasi yang efisien. Itu dibuat dan dipelihara oleh tim Probabilitas TensorFlow dan merupakan bagian dari tf.linalg di inti TensorFlow.

Lapisan 1: Blok Bangunan Statistik

Lapisan 2: Pembuatan Model

  • Distribusi Gabungan (misalnya, tfp.distributions.JointDistributionSequential ): Distribusi gabungan atas satu atau lebih distribusi yang mungkin saling bergantung. Untuk pengantar pemodelan dengan JointDistribution TFP, lihat colab ini
  • Lapisan probabilistik ( tfp.layers ): Lapisan jaringan neural dengan ketidakpastian atas fungsi yang diwakilinya, memperluas lapisan TensorFlow.

Lapisan 3: Inferensi Probabilistik

  • Rantai Markov Monte Carlo ( tfp.mcmc ): Algoritme untuk mendekati integral melalui pengambilan sampel. Termasuk Hamiltonian Monte Carlo , jalan acak Metropolis-Hastings, dan kemampuan untuk membuat kernel transisi khusus.
  • Variational Inference ( tfp.vi ): Algoritma untuk mendekati integral melalui optimasi.
  • Pengoptimal ( tfp.optimizer ): Metode pengoptimalan stokastik, memperluas Pengoptimal TensorFlow. Termasuk Dinamika Langevin Gradien Stokastik .
  • Monte Carlo ( tfp.monte_carlo ): Alat untuk menghitung ekspektasi Monte Carlo.

Probabilitas TensorFlow sedang dalam pengembangan aktif dan antarmuka dapat berubah.

Contoh

Selain tutorial notebook Python yang tercantum di navigasi, ada beberapa contoh skrip yang tersedia:

Laporkan masalah

Laporkan bug atau permintaan fitur menggunakan pelacak masalah Probabilitas TensorFlow .