TensorFlow احتمال 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!)در یک نوت بوک اجرا کنید
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 پزشكانی است كه می خواهند دانش دامنه را رمزگذاری كنند تا اطلاعات را بفهمند و پیش بینی كنند. 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`.
- استنتاج واریانس و زنجیره مارکوف مونت کارلو.
- بهینه سازهایی مانند Nelder-Mead ، BFGS و SGLD.
مقدمه ای بر برنامه نویسی احتمالی
Bayesian Methods for Hackers ، یک آموزش مقدماتی و عملی ، اکنون با مثالهایی در احتمال TensorFlow در دسترس است.