TensorFlow Probability ist eine Bibliothek für probabilistisches Denken und statistische Analysen.
import tensorflow as tf import tensorflow_probability as tfp # Pretend to load synthetic data set. features = tfp.distributions.Normal(loc=0., scale=1.).sample(int(100e3)) labels = tfp.distributions.Bernoulli(logits=1.618 * features).sample() # Specify model. model = tfp.glm.Bernoulli() # Fit model given data. coeffs, linear_response, is_converged, num_iter = tfp.glm.fit( model_matrix=features[:, tf.newaxis], response=tf.cast(labels, dtype=tf.float32), model=model) # ==> coeffs is approximately [1.618] (We're golden!)
TensorFlow Probability (TFP) ist eine auf TensorFlow basierende Python-Bibliothek, die es einfach macht, probabilistische Modelle und Deep Learning auf moderner Hardware (TPU, GPU) zu kombinieren. Es richtet sich an Datenwissenschaftler, Statistiker, ML-Forscher und Praktiker, die Domänenwissen codieren möchten, um Daten zu verstehen und Vorhersagen zu treffen. TFP beinhaltet:
- Eine große Auswahl an Wahrscheinlichkeitsverteilungen und Bijektoren.
- Tools zum Erstellen tiefer probabilistischer Modelle, einschließlich probabilistischer Schichten und einer `JointDistribution`-Abstraktion.
- Variationsinferenz und Markov-Kette Monte Carlo.
- Optimierer wie Nelder-Mead, BFGS und SGLD.
Eine Einführung in die probabilistische Programmierung
Bayes - Methoden für Hacker, ein Einführungs, Hands-on - Tutorial, ist jetzt mit Beispielen in TensorFlow Wahrscheinlichkeit zur Verfügung.