Google I / O kehrt vom 18. bis 20. Mai zurück! Reservieren Sie Platz und erstellen Sie Ihren Zeitplan Registrieren Sie sich jetzt
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 Notebook ausführen
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 einer "JointDistribution" -Abstraktion.
  • 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 .