Mit Sammlungen den Überblick behalten Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.

TensorFlow Probability ist eine Bibliothek für probabilistisches Denken und statistische Analysen.

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!)
Run in einem Notebook
TensorFlow Probability (TFP) ist eine auf TensorFlow basierende Python-Bibliothek, die es einfach macht, probabilistische Modelle und Deep Learning auf moderner Hardware (TPU, GPU) zu kombinieren. Es richtet sich an Datenwissenschaftler, Statistiker, ML-Forscher und Praktiker, die Domänenwissen codieren möchten, um Daten zu verstehen und Vorhersagen zu treffen. TFP beinhaltet:
  • Eine große Auswahl an Wahrscheinlichkeitsverteilungen und Bijektoren.
  • Tools zum Erstellen tiefer probabilistischer Modelle, einschließlich probabilistischer Schichten und einer `JointDistribution`-Abstraktion.
  • Variationsinferenz und Markov-Kette Monte Carlo.
  • Optimierer wie Nelder-Mead, BFGS und SGLD.
Da TFP die Vorteile von TensorFlow erbt, können Sie während des gesamten Lebenszyklus der Modellexploration und -produktion ein Modell mit einer einzigen Sprache erstellen, anpassen und bereitstellen. TFP ist Open Source und verfügbar auf GitHub . Um loszulegen, finden Sie in der TensorFlow Wahrscheinlichkeit Führer .