احتمال TensorFlow کتابخانه ای برای استدلال احتمالی و تجزیه 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 Probability (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 پزشکانی است که می خواهند دانش حوزه را برای درک داده ها و پیش بینی ها رمزگذاری کنند. TFP شامل موارد زیر است:
  • انتخاب گسترده ای از توزیع های احتمالی و بیژکتورها.
  • ابزارهایی برای ایجاد مدل های احتمالی عمیق ، از جمله لایه های احتمالی و انتزاعی "JointDistribution".
  • استنباط تنوع و زنجیره مارکوف مونت کارلو.
  • بهینه کننده هایی مانند Nelder-Mead ، BFGS و SGLD.
از آنجا که TFP مزایای TensorFlow را به ارث می برد ، می توانید یک مدل را با استفاده از یک زبان واحد در طول چرخه عمر اکتشاف و تولید مدل بسازید ، مناسب کنید و به کار گیرید. بهره وری کل عوامل منبع باز و در دسترس است بر روی GitHub . برای شروع، را ببینید احتمال TensorFlow راهنمای .