Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Prawdopodobieństwo TensorFlow

TensorFlow Probability to biblioteka do wnioskowania probabilistycznego i analizy statystycznej w TensorFlow. Jako część ekosystemu TensorFlow, TensorFlow Probability zapewnia integrację metod probabilistycznych z głębokimi sieciami, wnioskowanie gradientowe z wykorzystaniem automatycznego różnicowania oraz skalowalność do dużych zestawów danych i modeli z akceleracją sprzętową (GPU) i obliczeniami rozproszonymi.

Aby rozpocząć korzystanie z prawdopodobieństwa TensorFlow, zapoznaj się z przewodnikiem instalacji i samouczkami dotyczącymi notebooków Python .

składniki

Nasze probabilistyczne narzędzia uczenia maszynowego mają następującą strukturę:

Warstwa 0: TensorFlow

Operacje numeryczne - w szczególności klasa LinearOperator - umożliwiają implementacje bez macierzy, które mogą wykorzystywać określoną strukturę (przekątną, niskiego rzędu itp.) Do wydajnych obliczeń. Jest zbudowany i utrzymywany przez zespół TensorFlow Probability i jest częścią tf.linalg w rdzeniu TensorFlow.

Warstwa 1: statystyczne bloki konstrukcyjne

Warstwa 2: Budowanie modelu

  • Wspólne dystrybucje (np. tfp.distributions.JointDistributionSequential ): Wspólne rozkłady w jednej lub większej liczbie potencjalnie współzależnych dystrybucji. Aby zapoznać się z wprowadzeniem do modelowania za pomocą JointDistribution TFP, zapoznaj się z tą współpracą
  • Warstwy probabilistyczne ( tfp.layers ): warstwy sieci neuronowych z niepewnością co do funkcji, które reprezentują, rozszerzające warstwy TensorFlow.

Warstwa 3: Wnioskowanie probabilistyczne

  • Łańcuch Markowa Monte Carlo ( tfp.mcmc ): Algorytmy aproksymacji całek poprzez próbkowanie. Obejmuje Hamiltonian Monte Carlo , losowy spacer Metropolis-Hastings i możliwość tworzenia niestandardowych jąder przejściowych.
  • Wnioskowanie wariacyjne ( tfp.vi ): algorytmy aproksymacji całek poprzez optymalizację.
  • Optymalizatory ( tfp.optimizer ): Stochastyczne metody optymalizacji, rozszerzenie TensorFlow Optimizers. Obejmuje Stochastic Gradient Langevin Dynamics .
  • Monte Carlo ( tfp.monte_carlo ): narzędzia do obliczania oczekiwań Monte Carlo.

Prawdopodobieństwo TensorFlow jest w trakcie opracowywania i interfejsy mogą ulec zmianie.

Przykłady

Oprócz samouczków dotyczących notatników Python wymienionych w nawigacji, dostępnych jest kilka przykładowych skryptów:

Zgłoś problemy

Zgłaszaj błędy lub prośby o funkcje za pomocą narzędzia do śledzenia problemów z prawdopodobieństwem TensorFlow .