Посетите симпозиум «Женщины в машинном обучении» 7 декабря Зарегистрируйтесь сейчас
Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.

TensorFlow Probability — это библиотека для вероятностных рассуждений и статистического анализа.

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!)
Запуск в
TensorFlow Probability (TFP) — это библиотека Python, построенная на TensorFlow, которая позволяет легко комбинировать вероятностные модели и глубокое обучение на современном оборудовании (TPU, GPU). Он предназначен для специалистов по данным, статистиков, исследователей машинного обучения и практиков, которые хотят кодировать знания предметной области, чтобы понимать данные и делать прогнозы. ТФП включает в себя:
  • Широкий выбор вероятностных распределений и биекторов.
  • Инструменты для построения глубоких вероятностных моделей, включая вероятностные слои и абстракцию «JointDistribution».
  • Вариационный вывод и цепь Маркова Монте-Карло.
  • Оптимизаторы, такие как Nelder-Mead, BFGS и SGLD.
Поскольку TFP наследует преимущества TensorFlow, вы можете создавать, подгонять и развертывать модели с использованием одного языка на протяжении всего жизненного цикла исследования и производства модели. TFP имеет открытый исходный код и доступен на GitHub . Для начала ознакомьтесь с Руководством по вероятностям TensorFlow .