سخنرانی ها ، جلسات محصول ، کارگاه ها و موارد دیگر را از لیست پخش Google I / O مشاهده کنید

احتمال TensorFlow کتابخانه ای برای استدلال احتمالی و تحلیل آماری است.

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!)
اجرا در یک نوت بوک
TensorFlow احتمال (TFP) یک کتابخانه پایتون است که بر روی TensorFlow ساخته شده است و ترکیب مدل های احتمالی و یادگیری عمیق بر روی سخت افزار مدرن (TPU ، GPU) را آسان می کند. این برای دانشمندان داده ، آمارشناسان ، محققان ML و پزشکان است که می خواهند دانش دامنه را رمزگذاری کنند تا داده ها را درک کنند و پیش بینی کنند. TFP شامل موارد زیر است:
  • انتخاب گسترده ای از توزیع های احتمال و بایکتورها.
  • ابزاری برای ساخت مدل های احتمالی عمیق ، از جمله لایه های احتمالی و انتزاع `JointDistribution`.
  • استنباط متغیر و زنجیره مارکوف مونت کارلو.
  • بهینه سازهایی مانند Nelder-Mead ، BFGS و SGLD.
از آنجا که TFP مزایای TensorFlow را به ارث می برد ، می توانید در طول چرخه حیات کاوش و تولید مدل ، مدلی را با استفاده از یک زبان واحد بسازید ، متناسب و استقرار دهید. TFP منبع باز است و در GitHub موجود است. برای شروع ، به راهنمای احتمال TensorFlow مراجعه کنید.