Pomoc chronić Wielkiej Rafy Koralowej z TensorFlow na Kaggle Dołącz Wyzwanie

TensorFlow Probability to biblioteka do wnioskowania probabilistycznego i analizy statystycznej.

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) to biblioteka Pythona zbudowana na TensorFlow, która ułatwia łączenie modeli probabilistycznych i głębokiego uczenia się na nowoczesnym sprzęcie (TPU, GPU). Jest przeznaczony dla naukowców zajmujących się danymi, statystyków, badaczy ML i praktyków, którzy chcą zakodować wiedzę domeny, aby zrozumieć dane i przewidywać. TFP zawiera:
  • Szeroki wybór rozkładów prawdopodobieństwa i bijektorów.
  • Narzędzia do budowania głębokich modeli probabilistycznych, w tym warstw probabilistycznych i abstrakcji „JointDistribution”.
  • Wnioskowanie wariacyjne i łańcuch Markowa Monte Carlo.
  • Optymalizatory, takie jak Nelder-Mead, BFGS i SGLD.
Ponieważ TFP dziedziczy zalety TensorFlow, możesz budować, dopasowywać i wdrażać model przy użyciu jednego języka przez cały cykl eksploracji i produkcji modelu. TFP jest open source i dostępne na GitHub . Aby zacząć, zobacz Prawdopodobieństwo TensorFlow Guide .