ความน่าจะเป็นของเทนเซอร์โฟลว์

ความน่าจะเป็นของ TensorFlow เป็นไลบรารีสำหรับการให้เหตุผลเชิงความน่าจะเป็นและการวิเคราะห์ทางสถิติใน TensorFlow ในฐานะที่เป็นส่วนหนึ่งของระบบนิเวศ TensorFlow ความน่าจะเป็นของ TensorFlow ให้การรวมของวิธีการที่น่าจะเป็นกับเครือข่ายเชิงลึก การอนุมานตามการไล่ระดับสีโดยใช้ความแตกต่างโดยอัตโนมัติ และความสามารถในการปรับขนาดเป็นชุดข้อมูลและโมเดลขนาดใหญ่ด้วยการเร่งด้วยฮาร์ดแวร์ (GPU) และการคำนวณแบบกระจาย

หากต้องการเริ่มต้นใช้งาน TensorFlow Probability โปรดดู คู่มือการติดตั้ง และดู บทช่วยสอนโน้ตบุ๊ก Python

ส่วนประกอบ

เครื่องมือแมชชีนเลิร์นนิงที่น่าจะเป็นของเรามีโครงสร้างดังนี้:

เลเยอร์ 0: TensorFlow

การดำเนินการเชิงตัวเลข — โดยเฉพาะอย่างยิ่ง คลาส LinearOperator — ช่วยให้สามารถใช้งานแบบไม่มีเมทริกซ์ที่สามารถใช้ประโยชน์จากโครงสร้างเฉพาะ (แนวทแยง อันดับต่ำ ฯลฯ) เพื่อการคำนวณที่มีประสิทธิภาพ สร้างและดูแลโดยทีม TensorFlow Probability และเป็นส่วนหนึ่งของ tf.linalg ในคอร์ TensorFlow

ชั้นที่ 1: หน่วยการสร้างทางสถิติ

• การแจกแจง ( tfp.distributions ): คอลเลกชันขนาดใหญ่ของการแจกแจงความน่าจะเป็นและสถิติที่เกี่ยวข้องพร้อมด้วยแบทช์และ การแพร่ ภาพ
• Bijectors ( tfp.bijectors ): การแปลงตัวแปรสุ่มแบบย้อนกลับและประกอบได้ ไบเจ็กเตอร์จัดเตรียมการแจกแจงแบบแปลงรูปแบบที่หลากหลาย ตั้งแต่ตัวอย่างคลาสสิก เช่น การแจกแจงแบบล็อกปกติ ไปจนถึงโมเดลการเรียนรู้เชิงลึกที่ซับซ้อน เช่น การไหลย้อนกลับอัตโนมัติแบบสวมหน้ากาก

ชั้นที่ 2: การสร้างแบบจำลอง

• การแจกแจงแบบร่วม (เช่น tfp.distributions.JointDistributionSequential ): การแจกแจงร่วมกันบนการแจกแจงแบบพึ่งพาอาศัยกันอย่างน้อยหนึ่งรายการ สำหรับคำแนะนำเกี่ยวกับการสร้างแบบจำลองด้วย JointDistribution ของ TFP โปรดดู colab นี้
• เลเยอร์ความน่าจะเป็น ( tfp.layers ): เลเยอร์โครงข่ายประสาทเทียมที่มีความไม่แน่นอนเกี่ยวกับฟังก์ชันที่พวกมันเป็นตัวแทน ขยายเลเยอร์ TensorFlow

ชั้นที่ 3: การอนุมานเชิงความน่าจะเป็น

• Markov chain Monte Carlo ( tfp.mcmc ): อัลกอริทึมสำหรับการประมาณปริพันธ์ผ่านการสุ่มตัวอย่าง รวมถึง Hamiltonian Monte Carlo , Metropolis-Hastings แบบเดินสุ่ม และความสามารถในการสร้างเมล็ดทรานซิชันแบบกำหนดเอง
• การอนุมานแบบผันแปร ( tfp.vi ): อัลกอริทึมสำหรับการประมาณปริพันธ์ผ่านการเพิ่มประสิทธิภาพ
• เครื่องมือเพิ่มประสิทธิภาพ ( tfp.optimizer ): วิธีการเพิ่มประสิทธิภาพแบบสุ่ม การขยายเครื่องมือเพิ่มประสิทธิภาพ TensorFlow รวมถึง Stochastic Gradient Langevin Dynamics
• Monte Carlo ( tfp.monte_carlo ): เครื่องมือสำหรับคำนวณความคาดหวังของ Monte Carlo

ความน่าจะเป็นของ TensorFlow อยู่ระหว่างการพัฒนาและอินเทอร์เฟซอาจมีการเปลี่ยนแปลง

ตัวอย่าง

นอกเหนือจาก บทช่วยสอนสมุดบันทึก Python ที่แสดงอยู่ในการนำทางแล้ว ยังมีสคริปต์ตัวอย่างบางส่วนที่พร้อมใช้งาน:

• Variational Autoencoders — การเรียนรู้การเป็นตัวแทนด้วยรหัสแฝงและการอนุมานแบบผันแปร
• Vector-Quantized Autoencoder — การเรียนรู้การแทนค่าแบบแยกส่วนด้วยการแสดงปริมาณเวกเตอร์
• Bayesian Neural Networks— โครงข่ายประสาทเทียมที่มีความไม่แน่นอนเกี่ยวกับน้ำหนัก
• Bayesian Logistic Regression — การอนุมานแบบเบส์สำหรับการจำแนกเลขฐานสอง

รายงานปัญหา

รายงานจุดบกพร่องหรือคำขอคุณสมบัติโดยใช้ ตัวติดตามปัญหา TensorFlow Probability