TensorFlow Probability, TensorFlow'da olasılıksal akıl yürütme ve istatistiksel analiz için bir kitaplıktır. TensorFlow ekosisteminin bir parçası olan TensorFlow Probability, olasılık yöntemlerinin derin ağlarla entegrasyonunu, otomatik farklılaştırmayı kullanan gradyan tabanlı çıkarımı ve donanım hızlandırma (GPU'lar) ve dağıtılmış hesaplama ile büyük veri kümelerine ve modellere ölçeklenebilirlik sağlar.
TensorFlow Probability'ye başlamak için kurulum kılavuzuna bakın ve Python not defteri eğitimlerini görüntüleyin.
Bileşenler
Olasılığa dayalı makine öğrenimi araçlarımız şu şekilde yapılandırılmıştır:
Katman 0: TensorFlow
Sayısal işlemler - özellikle LinearOperator sınıfı - verimli hesaplama için belirli bir yapıdan (köşegen, düşük sıralı vb.) yararlanabilen matrissiz uygulamalara olanak tanır. TensorFlow Probability ekibi tarafından oluşturulmuş ve sürdürülmüştür ve temel TensorFlow'da tf.linalg bir parçasıdır.
Katman 1: İstatistiksel Yapı Taşları
- Dağılımlar (
tfp.distributions): Toplu iş ve yayın semantiği ile birlikte geniş bir olasılık dağılımları koleksiyonu ve ilgili istatistikler. - Bijektörler (
tfp.bijectors): Rastgele değişkenlerin tersinir ve birleştirilebilir dönüşümleri. Bijektörler , log-normal dağılım gibi klasik örneklerden maskelenmiş otoregresif akışlar gibi karmaşık derin öğrenme modellerine kadar zengin bir dönüştürülmüş dağılım sınıfı sağlar.
Katman 2: Model Oluşturma
- Ortak Dağıtımlar (örneğin,
tfp.distributions.JointDistributionSequential): Bir veya daha fazla muhtemelen birbirine bağımlı dağıtım üzerindeki ortak dağıtımlar. TFP'ninJointDistributions ile modellemeye giriş için bu colab'a göz atın - Olasılık katmanları (
tfp.layers): TensorFlow katmanlarını genişleten, temsil ettikleri işlevler üzerinde belirsizliğe sahip sinir ağı katmanları.
Katman 3: Olasılıksal Çıkarım
- Markov zinciri Monte Carlo (
tfp.mcmc): İntegrallere örnekleme yoluyla yaklaşmak için algoritmalar. Hamiltonian Monte Carlo , rastgele yürüyen Metropolis-Hastings ve özel geçiş çekirdekleri oluşturma becerisi içerir. - Varyasyonel Çıkarım (
tfp.vi): Optimizasyon yoluyla integrallere yaklaşmak için algoritmalar. - İyileştiriciler (
tfp.optimizer): TensorFlow İyileştiricileri genişleten stokastik optimizasyon yöntemleri. Stokastik Gradyan Langevin Dinamiklerini içerir. - Monte Carlo (
tfp.monte_carlo): Monte Carlo beklentilerini hesaplamak için araçlar.
TensorFlow Probability aktif geliştirme aşamasındadır ve arayüzler değişebilir.
örnekler
Gezinme bölümünde listelenen Python not defteri eğitimlerine ek olarak, bazı örnek betikler mevcuttur:
- Varyasyonel Otomatik Kodlayıcılar —Gizli bir kod ve varyasyonel çıkarımla temsil öğrenimi.
- Vector-Quantized Autoencoder —Vektör niceleme ile ayrık temsil öğrenimi.
- Bayes Sinir Ağları — Ağırlıkları konusunda belirsizliğe sahip sinir ağları.
- Bayesçi Lojistik Regresyon —İkili sınıflandırma için Bayesci çıkarım.
Sorunları bildirin
TensorFlow Olasılık sorun izleyicisini kullanarak hataları veya özellik isteklerini bildirin.