টেনসরফ্লো সম্ভাবনা
সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন
আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।
TensorFlow সম্ভাব্যতা হল TensorFlow-এ সম্ভাব্য যুক্তি এবং পরিসংখ্যানগত বিশ্লেষণের জন্য একটি লাইব্রেরি। TensorFlow বাস্তুতন্ত্রের অংশ হিসাবে, TensorFlow সম্ভাব্যতা গভীর নেটওয়ার্কের সাথে সম্ভাব্য পদ্ধতির একীকরণ, স্বয়ংক্রিয় পার্থক্য ব্যবহার করে গ্রেডিয়েন্ট-ভিত্তিক অনুমান, এবং হার্ডওয়্যার ত্বরণ (GPUs) এবং বিতরণ করা গণনা সহ বড় ডেটাসেট এবং মডেলগুলিতে মাপযোগ্যতা প্রদান করে।
TensorFlow সম্ভাব্যতার সাথে শুরু করতে, ইনস্টল গাইড দেখুন এবং পাইথন নোটবুক টিউটোরিয়াল দেখুন।
উপাদান
আমাদের সম্ভাব্য মেশিন লার্নিং টুলগুলি নিম্নরূপ গঠন করা হয়েছে:
স্তর 0: টেনসরফ্লো
সাংখ্যিক ক্রিয়াকলাপ - বিশেষ করে, LinearOperator ক্লাস - ম্যাট্রিক্স-মুক্ত বাস্তবায়ন সক্ষম করে যা দক্ষ গণনার জন্য একটি নির্দিষ্ট কাঠামো (তির্যক, নিম্ন-র্যাঙ্ক, ইত্যাদি) কাজে লাগাতে পারে। এটি TensorFlow সম্ভাব্যতা দল দ্বারা নির্মিত এবং রক্ষণাবেক্ষণ করা হয়েছে এবং এটি মূল TensorFlow-এর tf.linalg এর অংশ।
স্তর 1: পরিসংখ্যান বিল্ডিং ব্লক
লেয়ার 2: মডেল বিল্ডিং
- জয়েন্ট ডিস্ট্রিবিউশন (যেমন,
tfp.distributions.JointDistributionSequential ): এক বা একাধিক সম্ভাব্য-আন্তঃনির্ভর বন্টনের উপর যৌথ বন্টন। TFP এর JointDistribution এর সাথে মডেলিং এর পরিচিতির জন্য, এই কোল্যাবটি দেখুন - সম্ভাব্য স্তরগুলি (
tfp.layers ): নিউরাল নেটওয়ার্ক স্তরগুলি তাদের প্রতিনিধিত্ব করে এমন ফাংশনগুলির উপর অনিশ্চয়তা সহ, টেনসরফ্লো স্তরগুলিকে প্রসারিত করে।
স্তর 3: সম্ভাব্য অনুমান
TensorFlow সম্ভাব্যতা সক্রিয় বিকাশের অধীনে রয়েছে এবং ইন্টারফেস পরিবর্তন হতে পারে।
উদাহরণ
নেভিগেশন তালিকাভুক্ত পাইথন নোটবুক টিউটোরিয়াল ছাড়াও, কিছু উদাহরণ স্ক্রিপ্ট উপলব্ধ আছে:
সমস্যা রিপোর্ট করুন
TensorFlow সম্ভাব্যতা সমস্যা ট্র্যাকার ব্যবহার করে বাগ বা বৈশিষ্ট্য অনুরোধ রিপোর্ট করুন।
অন্য কিছু উল্লেখ না করা থাকলে, এই পৃষ্ঠার কন্টেন্ট Creative Commons Attribution 4.0 License-এর অধীনে এবং কোডের নমুনাগুলি Apache 2.0 License-এর অধীনে লাইসেন্স প্রাপ্ত। আরও জানতে, Google Developers সাইট নীতি দেখুন। Java হল Oracle এবং/অথবা তার অ্যাফিলিয়েট সংস্থার রেজিস্টার্ড ট্রেডমার্ক।
2025-07-25 UTC-তে শেষবার আপডেট করা হয়েছে।
[null,null,["2025-07-25 UTC-তে শেষবার আপডেট করা হয়েছে।"],[],[],null,["# TensorFlow Probability\n\n\u003cbr /\u003e\n\nTensorFlow Probability is a library for probabilistic reasoning and statistical\nanalysis in TensorFlow. As part of the TensorFlow ecosystem, TensorFlow\nProbability provides integration of probabilistic methods with deep networks,\ngradient-based inference using automatic differentiation, and scalability to\nlarge datasets and models with hardware acceleration (GPUs) and distributed\ncomputation.\n\nTo get started with TensorFlow Probability, see the\n[install guide](./install) and view the\n[Python notebook tutorials](https://github.com/tensorflow/probability/blob/main/tensorflow_probability/examples/jupyter_notebooks/).\n\nComponents\n----------\n\nOur probabilistic machine learning tools are structured as follows:\n\n### Layer 0: TensorFlow\n\n*Numerical operations* ---in particular, the `LinearOperator`\nclass---enables matrix-free implementations that can exploit a particular structure\n(diagonal, low-rank, etc.) for efficient computation. It is built and maintained\nby the TensorFlow Probability team and is part of\n[`tf.linalg`](https://github.com/tensorflow/tensorflow/tree/master/tensorflow/python/ops/linalg)\nin core TensorFlow.\n\n### Layer 1: Statistical Building Blocks\n\n- *Distributions* ([`tfp.distributions`](https://github.com/tensorflow/probability/tree/main/tensorflow_probability/python/distributions)): A large collection of probability distributions and related statistics with batch and [broadcasting](https://docs.scipy.org/doc/numpy-1.14.0/user/basics.broadcasting.html) semantics.\n- *Bijectors* ([`tfp.bijectors`](https://github.com/tensorflow/probability/tree/main/tensorflow_probability/python/bijectors)): Reversible and composable transformations of random variables. Bijectors provide a rich class of transformed distributions, from classical examples like the [log-normal distribution](https://en.wikipedia.org/wiki/Log-normal_distribution) to sophisticated deep learning models such as [masked autoregressive flows](https://arxiv.org/abs/1705.07057).\n\n### Layer 2: Model Building\n\n- Joint Distributions (e.g., [`tfp.distributions.JointDistributionSequential`](https://github.com/tensorflow/probability/tree/main/tensorflow_probability/python/distributions/joint_distribution_sequential.py)): Joint distributions over one or more possibly-interdependent distributions. For an introduction to modeling with TFP's `JointDistribution`s, check out [this colab](https://github.com/tensorflow/probability/blob/main/tensorflow_probability/examples/jupyter_notebooks/Modeling_with_JointDistribution.ipynb)\n- *Probabilistic layers* ([`tfp.layers`](https://github.com/tensorflow/probability/tree/main/tensorflow_probability/python/layers)): Neural network layers with uncertainty over the functions they represent, extending TensorFlow layers.\n\n### Layer 3: Probabilistic Inference\n\n- *Markov chain Monte Carlo* ([`tfp.mcmc`](https://github.com/tensorflow/probability/tree/main/tensorflow_probability/python/mcmc)): Algorithms for approximating integrals via sampling. Includes [Hamiltonian Monte Carlo](https://en.wikipedia.org/wiki/Hamiltonian_Monte_Carlo), random-walk Metropolis-Hastings, and the ability to build custom transition kernels.\n- *Variational Inference* ([`tfp.vi`](https://github.com/tensorflow/probability/tree/main/tensorflow_probability/python/vi)): Algorithms for approximating integrals through optimization.\n- *Optimizers* ([`tfp.optimizer`](https://github.com/tensorflow/probability/tree/main/tensorflow_probability/python/optimizer)): Stochastic optimization methods, extending TensorFlow Optimizers. Includes [Stochastic Gradient Langevin Dynamics](http://www.icml-2011.org/papers/398_icmlpaper.pdf).\n- *Monte Carlo* ([`tfp.monte_carlo`](https://github.com/tensorflow/probability/blob/main/tensorflow_probability/python/monte_carlo)): Tools for computing Monte Carlo expectations.\n\nTensorFlow Probability is under active development and interfaces may change.\n\nExamples\n--------\n\nIn addition to the\n[Python notebook tutorials](https://github.com/tensorflow/probability/blob/main/tensorflow_probability/examples/jupyter_notebooks/)\nlisted in the navigation, there are some example scripts available:\n\n- [Variational Autoencoders](https://github.com/tensorflow/probability/tree/main/tensorflow_probability/examples/vae.py) ---Representation learning with a latent code and variational inference.\n- [Vector-Quantized Autoencoder](https://github.com/tensorflow/probability/tree/main/tensorflow_probability/examples/vq_vae.py) ---Discrete representation learning with vector quantization.\n- [Bayesian Neural Networks](https://github.com/tensorflow/probability/tree/main/tensorflow_probability/examples/bayesian_neural_network.py) ---Neural networks with uncertainty over their weights.\n- [Bayesian Logistic Regression](https://github.com/tensorflow/probability/tree/main/tensorflow_probability/examples/logistic_regression.py) ---Bayesian inference for binary classification.\n\nReport issues\n-------------\n\nReport bugs or feature requests using the\n[TensorFlow Probability issue tracker](https://github.com/tensorflow/probability/issues)."]]
