در سمپوزیوم زنان در ML در 7 دسامبر شرکت کنید هم اکنون ثبت نام کنید
با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

TensorFlow Probability یک کتابخانه برای استدلال احتمالی و تجزیه و تحلیل آماری است.

import tensorflow as tf
import tensorflow_probability as tfp

# Pretend to load synthetic data set.
features = tfp.distributions.Normal(loc=0., scale=1.).sample(int(100e3))
labels = tfp.distributions.Bernoulli(logits=1.618 * features).sample()

# Specify model.
model = tfp.glm.Bernoulli()

# Fit model given data.
coeffs, linear_response, is_converged, num_iter = tfp.glm.fit(
    model_matrix=features[:, tf.newaxis],
    response=tf.cast(labels, dtype=tf.float32),
    model=model)
# ==> coeffs is approximately [1.618] (We're golden!)
اجرا در یک نوت بوک
TensorFlow Probability (TFP) یک کتابخانه پایتون است که بر اساس TensorFlow ساخته شده است که ترکیب مدل های احتمالی و یادگیری عمیق را بر روی سخت افزار مدرن (TPU، GPU) آسان می کند. این برای دانشمندان داده، آماردانان، محققان ML، و پزشکانی است که می خواهند دانش دامنه را برای درک داده ها و پیش بینی ها رمزگذاری کنند. TFP شامل:
  • انتخاب گسترده ای از توزیع های احتمال و بیژکتورها.
  • ابزارهایی برای ساخت مدل‌های احتمالی عمیق، از جمله لایه‌های احتمالی و انتزاع «توزیع مشترک».
  • استنتاج متغیر و زنجیره مارکوف مونت کارلو.
  • بهینه سازهایی مانند Nelder-Mead، BFGS و SGLD.
از آنجایی که TFP مزایای TensorFlow را به ارث می برد، می توانید یک مدل را با استفاده از یک زبان واحد در طول چرخه حیات کاوش و تولید مدل بسازید، برازش کنید و به کار ببرید. TFP منبع باز است و در GitHub در دسترس است. برای شروع، به راهنمای احتمالات TensorFlow مراجعه کنید.