TensorFlow Probability é uma biblioteca para raciocínio probabilístico e análise estatística no TensorFlow. Como parte do ecossistema TensorFlow, o TensorFlow Probability fornece integração de métodos probabilísticos com redes profundas, inferência baseada em gradiente usando diferenciação automática e escalabilidade para grandes conjuntos de dados e modelos com aceleração de hardware (GPUs) e computação distribuída.
Para começar a usar o TensorFlow Probability, consulte o guia de instalação e os tutoriais do notebook Python .
Componentes
Nossas ferramentas probabilísticas de aprendizado de máquina são estruturadas da seguinte forma:
Camada 0: TensorFlow
As operações numéricas — em particular, a classe LinearOperator — permitem implementações sem matriz que podem explorar uma estrutura específica (diagonal, classificação baixa, etc.) para computação eficiente. Ele é construído e mantido pela equipe do TensorFlow Probability e faz parte do tf.linalg no núcleo do TensorFlow.
Camada 1: Blocos de Construção Estatísticos
- Distribuições (
tfp.distributions): Uma grande coleção de distribuições de probabilidade e estatísticas relacionadas com semântica de lote e transmissão . - Bijetores (
tfp.bijectors): Transformações reversíveis e combináveis de variáveis aleatórias. Os bijetores fornecem uma classe rica de distribuições transformadas, desde exemplos clássicos, como a distribuição log-normal, até modelos sofisticados de aprendizado profundo, como fluxos autorregressivos mascarados .
Camada 2: Construção de Modelo
- Distribuições Conjuntas (por exemplo,
tfp.distributions.JointDistributionSequential): Distribuições conjuntas sobre uma ou mais distribuições possivelmente interdependentes. Para uma introdução à modelagem comJointDistributions da TFP, confira este colab - Camadas probabilísticas (
tfp.layers): Camadas de rede neural com incerteza sobre as funções que representam, estendendo as camadas do TensorFlow.
Camada 3: Inferência Probabilística
- Cadeia de Markov Monte Carlo (
tfp.mcmc): Algoritmos para aproximação de integrais via amostragem. Inclui Hamiltonian Monte Carlo , passeio aleatório Metropolis-Hastings e a capacidade de construir kernels de transição personalizados. - Inferência Variacional (
tfp.vi): Algoritmos para aproximação de integrais por meio de otimização. - Otimizadores (
tfp.optimizer): métodos de otimização estocástica, estendendo os otimizadores TensorFlow. Inclui Dinâmica de Langevin do Gradiente Estocástico . - Monte Carlo (
tfp.monte_carlo): Ferramentas para calcular as expectativas de Monte Carlo.
O TensorFlow Probability está em desenvolvimento ativo e as interfaces podem mudar.
Exemplos
Além dos tutoriais do notebook Python listados na navegação, existem alguns scripts de exemplo disponíveis:
- Autoencoders Variacionais — Aprendizagem de representação com código latente e inferência variacional.
- Autoencoder vetorial-quantizado — Aprendizado de representação discreta com quantização vetorial.
- Redes Neurais Bayesianas —Redes Neurais com incerteza sobre seus pesos.
- Regressão Logística Bayesiana —Inferência Bayesiana para classificação binária.
Relatar problemas
Relate bugs ou solicitações de recursos usando o rastreador de problemas de probabilidade do TensorFlow .