Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

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

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!)
In einem Notizbuch
TensorFlow Probability (TFP) ist eine Python-Bibliothek, die auf TensorFlow basiert und es einfach macht, Wahrscheinlichkeitsmodelle 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 enthält:
  • Eine große Auswahl an Wahrscheinlichkeitsverteilungen und Bijektoren.
  • Werkzeuge zum Erstellen tiefer probabilistischer Modelle, einschließlich probabilistischer Schichten und der Edward2-Sprache.
  • Variationsinferenz und Markov-Kette Monte Carlo.
  • Optimierer wie Nelder-Mead, BFGS und SGLD.
Da TFP die Vorteile von TensorFlow übernimmt, können Sie ein Modell während des gesamten Lebenszyklus der Modellexploration und -produktion in einer einzigen Sprache erstellen, anpassen und bereitstellen. TFP ist Open Source und auf GitHub verfügbar. Informationen zum Einstieg finden Sie im TensorFlow Probability Guide .