TensorFlow Probability est une bibliothèque conçue pour faciliter 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 notebook
TensorFlow Probability (TFP) est une bibliothèque Python basée sur TensorFlow qui permet d'associer facilement des modèles probabilistes et le deep learning sur du matériel moderne (TPU, GPU). Cette bibliothèque est destinée aux data scientists, aux statisticiens, aux chercheurs en ML et aux professionnels qui souhaitent encoder la connaissance du domaine pour comprendre les données et faire des prédictions. TFP inclut les éléments ci-dessous :
  • Un large éventail de distributions de probabilité et de bijecteurs.
  • Des outils permettant de créer des modèles probabilistes profonds, y compris des couches probabilistes et une abstraction JointDistribution.
  • Une inférence variationnelle et la chaîne de Markov Monte Carlo.
  • Des optimiseurs tels que Nelder-Mead, BFGS et SGLD.
TFP hérite des avantages de TensorFlow. Vous pouvez donc créer, adapter et déployer un modèle à l'aide d'un langage unique pendant les phases d'exploration et de production. TFP est une bibliothèque Open Source disponible sur GitHub. Pour commencer, consultez le Guide de TensorFlow Probability.