หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

TensorFlow Probability คือไลบรารีสำหรับการให้เหตุผลที่น่าจะเป็นและการวิเคราะห์ทางสถิติ

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!)
รันใน Notebook
TensorFlow Probability (TFP) คือไลบรารี Python ที่สร้างขึ้นบน TensorFlow ที่ทำให้ง่ายต่อการรวมโมเดลที่น่าจะเป็นไปได้และการเรียนรู้เชิงลึกบนฮาร์ดแวร์สมัยใหม่ (TPU, GPU) สำหรับนักวิทยาศาสตร์ข้อมูลนักสถิตินักวิจัย ML และผู้ปฏิบัติงานที่ต้องการเข้ารหัสความรู้เกี่ยวกับโดเมนเพื่อทำความเข้าใจข้อมูลและทำการคาดการณ์ TFP ประกอบด้วย:
  • การแจกแจงความน่าจะเป็นและไบเจ็กเตอร์ที่มีให้เลือกมากมาย
  • เครื่องมือในการสร้างแบบจำลองความน่าจะเป็นเชิงลึกรวมถึงเลเยอร์ความน่าจะเป็นและนามธรรม "JointDistribution"
  • การอนุมานแบบแปรผันและเครือข่าย Markov Monte Carlo
  • เครื่องมือเพิ่มประสิทธิภาพเช่น Nelder-Mead, BFGS และ SGLD
เนื่องจาก TFP สืบทอดประโยชน์ของ TensorFlow คุณจึงสามารถสร้างประกอบและปรับใช้โมเดลโดยใช้ภาษาเดียวตลอดวงจรการสำรวจและผลิตโมเดล TFP เป็นโอเพ่นซอร์สและพร้อมใช้งาน บน GitHub ในการเริ่มต้นโปรดดู คู่มือความน่าจะเป็นของ TensorFlow