Эта страница была переведа с помощью Cloud Translation API.
Switch to English

Вероятность TensorFlow

TensorFlow Probability - это библиотека для вероятностных рассуждений и статистического анализа в TensorFlow. Как часть экосистемы TensorFlow, TensorFlow Probability обеспечивает интеграцию вероятностных методов с глубокими сетями, вывод на основе градиента с использованием автоматического дифференцирования и масштабируемость для больших наборов данных и моделей с аппаратным ускорением (GPU) и распределенными вычислениями.

Чтобы начать работу с TensorFlow Probability, см. Руководство по установке и учебные пособия по записной книжке Python .

Составные части

Наши инструменты вероятностного машинного обучения структурированы следующим образом:

Слой 0: TensorFlow

Числовые операции - в частности, класс LinearOperator - позволяет реализовать LinearOperator реализации, которые могут использовать определенную структуру (диагональную, LinearOperator и т. Д.) Для эффективных вычислений. Он tf.linalg и поддерживается командой TensorFlow Probability и является частью tf.linalg в ядре TensorFlow.

Уровень 1: Статистические строительные блоки

Уровень 2: Построение модели

  • Совместные распределения (например, tfp.distributions.JointDistributionSequential ): совместные распределения по одному или нескольким, возможно, взаимозависимым распределениям. Для введения в моделирование с помощью TFP JointDistribution s, ознакомьтесь с этой колабой
  • Вероятностные слои ( tfp.layers ): уровни нейронной сети с неопределенностью функций, которые они представляют, расширяющие уровни TensorFlow.

Уровень 3: вероятностный вывод

  • Цепь Маркова Монте-Карло ( tfp.mcmc ): алгоритмы аппроксимации интегралов с помощью выборки. Включает гамильтониан Монте-Карло , метрополис-Гастингс со случайным блужданием и возможность создавать настраиваемые ядра переходов.
  • Вариационный вывод ( tfp.vi ): алгоритмы аппроксимации интегралов посредством оптимизации.
  • Оптимизаторы ( tfp.optimizer ): методы стохастической оптимизации, расширяющие оптимизаторы TensorFlow. Включает стохастическую градиентную динамику Ланжевена .
  • Монте-Карло ( tfp.monte_carlo ): инструменты для вычисления ожиданий Монте-Карло.

TensorFlow Probability находится в стадии активной разработки, и интерфейсы могут измениться.

Примеры

В дополнение к учебным пособиям по записной книжке Python, перечисленным в навигации, доступны несколько примеров сценариев:

Сообщить о проблемах

Сообщайте об ошибках или запросах функций с помощью трекера проблем TensorFlow Probability .