Assistez au symposium Women in ML le 7 décembre Inscrivez-vous maintenant
Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

TensorFlow Probability est une bibliothèque pour le raisonnement probabiliste et l'analyse statistique.

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!)
Exécuter dans un ordinateur portable
TensorFlow Probability (TFP) est une bibliothèque Python basée sur TensorFlow qui permet de combiner facilement des modèles probabilistes et un apprentissage approfondi sur du matériel moderne (TPU, GPU). Il s'adresse aux scientifiques des données, aux statisticiens, aux chercheurs en ML et aux praticiens qui souhaitent coder les connaissances du domaine pour comprendre les données et faire des prédictions. La PTF comprend :
  • Une large sélection de distributions de probabilité et de bijecteurs.
  • Outils pour créer des modèles probabilistes approfondis, y compris des couches probabilistes et une abstraction "JointDistribution".
  • Inférence variationnelle et chaîne de Markov Monte Carlo.
  • Optimiseurs tels que Nelder-Mead, BFGS et SGLD.
Étant donné que TFP hérite des avantages de TensorFlow, vous pouvez créer, adapter et déployer un modèle à l'aide d'un seul langage tout au long du cycle de vie de l'exploration et de la production du modèle. TFP est open source et disponible sur GitHub . Pour commencer, consultez le Guide des probabilités TensorFlow .