Questa pagina è stata tradotta dall'API Cloud Translation.
Switch to English

TensorFlow Probability

TensorFlow Probability è una libreria per il ragionamento probabilistico e l'analisi statistica in TensorFlow. Come parte dell'ecosistema TensorFlow, TensorFlow Probability fornisce l'integrazione di metodi probabilistici con reti profonde, inferenza basata su gradiente utilizzando la differenziazione automatica e scalabilità a grandi set di dati e modelli con accelerazione hardware (GPU) e calcolo distribuito.

Per iniziare con TensorFlow Probability, vedere la guida all'installazione e visualizzare i tutorial del notebook Python .

componenti

I nostri strumenti di apprendimento automatico probabilistico sono strutturati come segue:

Livello 0: TensorFlow

Le operazioni numeriche, in particolare la classe LinearOperator , consentono implementazioni prive di matrice che possono sfruttare una particolare struttura (diagonale, di rango basso, ecc.) Per un calcolo efficiente. È costruito e gestito dal team TensorFlow Probability e fa parte di tf.linalg nel core TensorFlow.

Livello 1: elementi costitutivi statistici

Livello 2: costruzione del modello

  • Distribuzioni congiunte (ad esempio, tfp.distributions.JointDistributionSequential ): distribuzioni congiunte su una o più distribuzioni possibilmente interdipendenti. Per un'introduzione alla modellazione con JointDistribution di TFP, controlla questo colab
  • Livelli probabilistici ( tfp.layers ): livelli della rete neurale con incertezza sulle funzioni che rappresentano, che estendono i livelli TensorFlow.

Livello 3: inferenza probabilistica

  • Catena di Markov Monte Carlo ( tfp.mcmc ): Algoritmi per l'approssimazione degli integrali tramite campionamento. Include Hamiltonian Monte Carlo , Metropolis-Hastings a passeggiata casuale e la possibilità di creare kernel di transizione personalizzati.
  • Inferenza variazionale ( tfp.vi ): algoritmi per l'approssimazione degli integrali tramite ottimizzazione.
  • Ottimizzatori ( tfp.optimizer ): metodi di ottimizzazione stocastici, che estendono gli ottimizzatori TensorFlow. Include dinamiche di Langevin a gradiente stocastico .
  • Monte Carlo ( tfp.monte_carlo ): strumenti per il calcolo delle aspettative Monte Carlo.

TensorFlow Probability è in fase di sviluppo attivo e le interfacce potrebbero cambiare.

Esempi

Oltre ai tutorial per notebook Python elencati nella navigazione, sono disponibili alcuni script di esempio:

Segnala problemi

Segnala bug o richieste di funzionalità utilizzando il tracker dei problemi di TensorFlow Probability .