Assista palestras, sessões de produtos, workshops e muito mais na lista de reprodução do Google I / O See

Probabilidade do TensorFlow

TensorFlow Probability é uma biblioteca para raciocínio probabilístico e análise estatística no TensorFlow. Como parte do ecossistema TensorFlow, o TensorFlow Probability fornece integração de métodos probabilísticos com redes profundas, inferência baseada em gradiente usando diferenciação automática e escalabilidade para grandes conjuntos de dados e modelos com aceleração de hardware (GPUs) e computação distribuída.

Para começar com a Probabilidade do TensorFlow, consulte o guia de instalação e veja os tutoriais do notebook Python .

Componentes

Nossas ferramentas de aprendizado de máquina probabilísticas são estruturadas da seguinte forma:

Camada 0: TensorFlow

As operações numéricas - em particular, a classe LinearOperator - permitem implementações sem matriz que podem explorar uma estrutura particular (diagonal, baixa classificação, etc.) para computação eficiente. Ele é criado e mantido pela equipe de Probabilidade do TensorFlow e faz parte do tf.linalg no TensorFlow principal.

Camada 1: Blocos de Construção Estatísticos

Camada 2: construção de modelo

  • Distribuições conjuntas (por exemplo, tfp.distributions.JointDistributionSequential ): Distribuições conjuntas sobre uma ou mais distribuições possivelmente interdependentes. Para uma introdução à modelagem com JointDistribution s da TFP, confira este colab
  • Camadas probabilísticas ( tfp.layers ): camadas de rede neural com incerteza sobre as funções que representam, estendendo as camadas do TensorFlow.

Camada 3: Inferência Probabilística

  • Cadeia de Markov Monte Carlo ( tfp.mcmc ): Algoritmos para aproximar integrais via amostragem. Inclui o Hamiltoniano Monte Carlo , metrópole-Hastings de passeio aleatório e a capacidade de construir kernels de transição personalizados.
  • Inferência tfp.vi ( tfp.vi ): Algoritmos para aproximar integrais por meio de otimização.
  • Otimizadores ( tfp.optimizer ): métodos de otimização estocásticos, estendendo otimizadores TensorFlow. Inclui Gradiente Estocástico Langevin Dynamics .
  • Monte Carlo ( tfp.monte_carlo ): Ferramentas para calcular as expectativas de Monte Carlo.

A Probabilidade do TensorFlow está em desenvolvimento ativo e as interfaces podem mudar.

Exemplos

Além dos tutoriais de notebook Python listados na navegação, existem alguns exemplos de scripts disponíveis:

Reportar problemas

Relate bugs ou solicitações de recursos usando o rastreador de problemas de probabilidade do TensorFlow .