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
- Distribuzioni (
tfp.distributions): Una grande raccolta di distribuzioni di probabilità e statistiche connesse con lotto e di radiodiffusione semantica. - Bijectors (
tfp.bijectors): reversibile e trasformazioni componibili di variabili aleatorie. Bijectors forniscono una ricca classe di distribuzioni trasformati, dagli esempi classici come la distribuzione log-normale di sofisticati modelli di apprendimento profonde come i flussi autoregressivi mascherati .
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 TFPJointDistributions, 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:
- Variazionale Autoencoders -Rappresentazione apprendimento con un codice latente e l'inferenza variazionale.
- Vector-quantizzato Autoencoder apprendimento rappresentazione -Discrete con quantizzazione vettoriale.
- Bayesiano Reti Neurali -Neural reti con l'incertezza sul loro peso.
- Bayesiano regressione logistica inferenza -Bayesian per la classificazione binaria.
Segnala problemi
Segnala bug o richieste di funzionalità utilizzando l' inseguitore tensorflow problema di probabilità .