Вероятность тензорного потока

TensorFlow Probability — это библиотека для вероятностных рассуждений и статистического анализа в TensorFlow. Будучи частью экосистемы TensorFlow, TensorFlow Probability обеспечивает интеграцию вероятностных методов с глубокими сетями, градиентный вывод с использованием автоматического дифференцирования и масштабируемость для больших наборов данных и моделей с аппаратным ускорением (GPU) и распределенными вычислениями.

Чтобы начать работу с TensorFlow Probability, прочтите руководство по установке и просмотрите руководства по блокнотам Python .

Компоненты

Наши вероятностные инструменты машинного обучения структурированы следующим образом:

Уровень 0: TensorFlow

Числовые операции — в частности, класс LinearOperator — позволяют использовать безматричные реализации, которые могут использовать определенную структуру (диагональную, низкоранговую и т. д.) для эффективных вычислений. Он создан и поддерживается командой TensorFlow Probability и является частью tf.linalg в ядре TensorFlow.

Уровень 1: Статистические строительные блоки

• Распределения ( tfp.distributions ): большая коллекция вероятностных распределений и связанной статистики с семантикой пакетной и широковещательной передачи .
• Бижекторы ( tfp.bijectors ): обратимые и компонуемые преобразования случайных величин. Бижекторы предоставляют богатый класс преобразованных распределений: от классических примеров, таких как логарифмически нормальное распределение, до сложных моделей глубокого обучения, таких как замаскированные авторегрессионные потоки .

Уровень 2: Построение модели

• Совместные дистрибутивы (например, tfp.distributions.JointDistributionSequential ): совместные дистрибутивы по одному или нескольким, возможно, взаимозависимым дистрибутивам. Чтобы познакомиться с моделированием с помощью JointDistribution TFP, посетите эту совместную работу.
• Вероятностные слои ( tfp.layers ): слои нейронной сети с неопределенностью в отношении функций, которые они представляют, расширяющие слои TensorFlow.

Уровень 3: Вероятностный вывод

• Цепь Маркова Монте-Карло ( tfp.mcmc ): Алгоритмы аппроксимации интегралов посредством выборки. Включает гамильтониан Монте-Карло , метод случайного блуждания Метрополис-Гастингс и возможность создания собственных переходных ядер.
• Вариационный вывод ( tfp.vi ): алгоритмы аппроксимации интегралов посредством оптимизации.
• Оптимизаторы ( tfp.optimizer ): методы стохастической оптимизации, расширяющие оптимизаторы TensorFlow. Включает стохастическую градиентную динамику Ланжевена .
• Монте-Карло ( tfp.monte_carlo ): инструменты для расчета ожиданий Монте-Карло.

TensorFlow Probability находится в стадии активной разработки, и интерфейсы могут меняться.

Примеры

Помимо руководств по блокнотам Python , перечисленных в навигации, доступно несколько примеров сценариев:

• Вариационные автоэнкодеры — обучение представлению со скрытым кодом и вариационным выводом.
• Векторно-квантованный автоэнкодер — обучение дискретному представлению с помощью векторного квантования.
• Байесовские нейронные сети — нейронные сети с неопределенностью относительно их весов.
• Байесовская логистическая регрессия — Байесовский вывод для бинарной классификации.

Сообщить о проблемах

Сообщайте об ошибках или запросах функций, используя систему отслеживания проблем TensorFlow Probability .