Ajuda a proteger a Grande Barreira de Corais com TensorFlow em Kaggle Junte Desafio

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 o TensorFlow Probabilidade, consulte o guia de instalação e ver os tutoriais notebook Python .

Componentes

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

Camada 0: TensorFlow

Operações numéricas -em particular, o LinearOperator classe permite-implementações livre de matriz que podem explorar uma determinada estrutura (, baixa-rank diagonal, etc) para o cálculo eficiente. Ele é construído e mantido pela equipe de Probabilidade TensorFlow e faz parte da tf.linalg em TensorFlow núcleo.

Camada 1: Blocos de Construção Estatísticos

Camada 2: construção de modelo

  • Conjunto Distribuições (por exemplo, tfp.distributions.JointDistributionSequential ): distribuições conjunto sobre uma ou mais distribuições possivelmente-interdependentes. Para uma introdução à modelagem com o TFP JointDistribution s, veja este colab
  • Camadas Probabilísticos ( tfp.layers ): as camadas da rede neural com a incerteza sobre as funções que representam, estendendo-se as camadas TensorFlow.

Camada 3: Inferência Probabilística

  • Cadeia de Markov de Monte Carlo ( tfp.mcmc ): algoritmos para aproximar integrais através de amostragem. Inclui Hamiltonian Monte Carlo , random-walk Metropolis-Hastings, e a capacidade de kernels de transição de compilação personalizada.
  • Variational Inference ( tfp.vi ): Algoritmos para aproximar integrais através da otimização.
  • Otimizadores ( tfp.optimizer ): métodos de optimização estocástica, que se estendem TensorFlow Otimizadores. Inclui Stochastic Gradient Langevin Dynamics .
  • Monte Carlo ( tfp.monte_carlo ): Ferramentas para computação expectativas de Monte Carlo.

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

Exemplos

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

Reportar problemas

Reportar erros ou pedidos de funcionalidades utilizando o rastreador TensorFlow questão de probabilidade .