Pomoc chronić Wielkiej Rafy Koralowej z TensorFlow na Kaggle Dołącz Wyzwanie

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

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:

Zgłoś problemy

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