TensorFlow Probability ist eine Bibliothek für probabilistisches Denken und statistische Analyse.
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 Python-Bibliothek, die auf TensorFlow basiert und es einfach macht, Wahrscheinlichkeitsmodelle 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 enthält:
- Eine große Auswahl an Wahrscheinlichkeitsverteilungen und Bijektoren.
- Werkzeuge 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
Bayesian Methods for Hackers , ein einführendes, praktisches Tutorial, ist jetzt mit Beispielen in TensorFlow Probability verfügbar.
