Prawdopodobieństwo przepływu Tensor

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 oparte na gradientach z wykorzystaniem automatycznego różnicowania oraz skalowalność do dużych zbiorów danych i modeli z akceleracją sprzętową (GPU) i obliczeniami rozproszonymi.

Aby rozpocząć korzystanie z TensorFlow Prawdopodobieństwo, patrz podręcznik instalacji i obejrzeć samouczki notebooków Pythona .

składniki

Nasze probabilistyczne narzędzia do uczenia maszynowego mają następującą strukturę:

Warstwa 0: TensorFlow

Operacje liczbowe -w szczególności LinearOperator klasy umożliwia implementację matrycy wolnej który może wykorzystywać określoną strukturę (przekątna, nisko-rank, etc.) dla efektywnego obliczeń. Jest zbudowany i utrzymywany przez zespół Prawdopodobieństwa TensorFlow i jest częścią tf.linalg w podstawowej TensorFlow.

Warstwa 1: Statystyczne bloki konstrukcyjne

• Dystrybucje ( tfp.distributions ): Duży zbiór rozkładów prawdopodobieństwa i statystyk związanych z partii i nadawczych semantyki.
• Bijectors ( tfp.bijectors ): odwracalny i sk transformacje zmiennych losowych. Bijectors stanowią bogate klasę przekształconych rozkładów, od klasycznych przykładów takich jak rozkładzie logarytmiczno-normalny dla zaawansowanych modeli, takich jak głębokie uczenia maskowanych przepływów autoregresyjnych .

Warstwa 2: Budowa modelu

• Wspólne Dystrybucje (np tfp.distributions.JointDistributionSequential ): Wspólne dystrybucje nad jednym lub więcej ewentualnie rozkładów-współzależne. Wprowadzenie do modelowania z TFP na JointDistribution s, sprawdź ten colab
• Warstwy probabilistyczne ( tfp.layers ): warstwy sieci neuronowe niepewności na funkcje, które stanowią, przebiegające warstwy TensorFlow.

Warstwa 3: Wnioskowanie probabilistyczne

• Łańcuch Markowa Monte Carlo ( tfp.mcmc ) Algorytmy zbliżony całki poprzez pobieranie próbek. Zawiera Hamiltona Monte Carlo , random-walk Metropolis-Hastings, oraz zdolność do budowania niestandardowych jąder przejściowych.
• Wnioskowanie wariacyjna ( tfp.vi ): Algorytmy zbliżenie całek poprzez optymalizację.
• Pozycjonujące ( tfp.optimizer ): stochastyczne metody optymalizacji, rozciągające TensorFlow optymalizatorów. Zawiera Stochastic Gradient Langevin Dynamics .
• Monte Carlo ( tfp.monte_carlo ): Narzędzia do obliczania oczekiwań Monte Carlo.

TensorFlow Probability jest aktywnie rozwijany i interfejsy mogą ulec zmianie.

Przykłady

W uzupełnieniu do tutoriali notebooków Pythona wymienionych w nawigacji, istnieją pewne przykładowe skrypty dostępne:

• Wariacyjna Autoencoders -Representation uczenia się utajonego kodu i wariacyjnym wnioskowania.
• Wektor kwantowane Autoencoder -Discrete uczenia reprezentacja z kwantyzacji wektorowej.
• Bayesa Sieci neuronowe Sieci -Neural z niepewnością ich ciężarami.
• Bayesa regresja logistyczna -Bayesian wnioskowanie klasyfikacji binarnej.

Zgłoś problemy

Zgłoś błędy i propozycje nowych funkcji przy użyciu tracker TensorFlow Prawdopodobieństwo emisyjnej .