Aiuto proteggere la Grande Barriera Corallina con tensorflow sul Kaggle Join Sfida

Probabilità TensorFlow

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 mediante differenziazione automatica e scalabilità a set di dati e modelli di grandi dimensioni con accelerazione hardware (GPU) e calcolo distribuito.

Per iniziare con tensorflow Probabilità, consultare la guida di installazione e visualizzare i tutorial notebook Python .

Componenti

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

Livello 0: TensorFlow

Operazioni numeriche -In particolare, il LinearOperator classe consente implementazioni connessione a matrice in grado di sfruttare una particolare struttura (diagonale, basso-rango, ecc) per il calcolo efficiente. È costruito e mantenuto dal gruppo Probabilità tensorflow e fa parte del tf.linalg in tensorflow nucleo.

Livello 1: blocchi di costruzione statistici

Livello 2: Costruzione del modello

  • Giunto Distribuzioni (ad esempio, tfp.distributions.JointDistributionSequential ): distribuzioni congiunte oltre una o più distribuzioni eventualmente-interdipendenti. Per un'introduzione alla modellazione con TFP JointDistribution s, controlla questo CoLab
  • Strati probabilistici ( tfp.layers ): livelli di rete neurale con incertezza sulle funzioni che rappresentano, estendentisi strati tensorflow.

Livello 3: Inferenza probabilistica

  • Catena di Markov Monte Carlo ( tfp.mcmc ): Algoritmi per approssimare gli integrali tramite campionamento. Include Hamiltoniana Monte Carlo , random walk Metropolis-Hastings, e la capacità di kernel di transizione di generazione personalizzata.
  • Variazionale Inference ( tfp.vi ): Algoritmi per approssimare gli integrali attraverso l'ottimizzazione.
  • Ottimizzatori ( tfp.optimizer ): metodi di ottimizzazione stocastici, che si estende tensorflow ottimizzatori. Include stocastici Gradiente Langevin Dynamics .
  • Monte Carlo ( tfp.monte_carlo ): strumenti per il calcolo aspettative Monte Carlo.

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

Esempi

Oltre alle esercitazioni di notebook Python elencati nella navigazione, ci sono alcuni script di esempio disponibili:

Segnala problemi

Segnala bug o richieste di funzionalità utilizzando l' inseguitore tensorflow problema di probabilità .