TensorFlow Olasılığı

TensorFlow Probability, TensorFlow'da olasılıksal akıl yürütme ve istatistiksel analize yönelik bir kütüphanedir. TensorFlow ekosisteminin bir parçası olarak TensorFlow Probability, olasılıksal yöntemlerin derin ağlarla entegrasyonunu, otomatik farklılaştırmayı kullanan gradyan tabanlı çıkarımı ve donanım hızlandırmalı (GPU'lar) ve dağıtılmış hesaplamalı büyük veri kümelerine ve modellere ölçeklenebilirlik sağlar.

TensorFlow Probability'yi kullanmaya başlamak için kurulum kılavuzuna bakın ve Python not defteri eğitimlerini görüntüleyin.

Bileşenler

Olasılığa dayalı makine öğrenimi araçlarımız aşağıdaki şekilde yapılandırılmıştır:

Katman 0: TensorFlow

Sayısal işlemler (özellikle LinearOperator sınıfı), verimli hesaplama için belirli bir yapıdan (köşegen, düşük dereceli vb.) yararlanabilen matrissiz uygulamalara olanak tanır. TensorFlow Probability ekibi tarafından oluşturulup bakımı yapılır ve çekirdek TensorFlow'daki tf.linalg bir parçasıdır.

Katman 1: İstatistiksel Yapı Taşları

  • Dağıtımlar ( tfp.distributions ): Toplu ve yayın semantiği ile olasılık dağılımlarının ve ilgili istatistiklerin geniş bir koleksiyonu.
  • Bijectors ( tfp.bijectors ): Rastgele değişkenlerin tersinir ve birleştirilebilir dönüşümleri. Bijektörler , log-normal dağılım gibi klasik örneklerden maskeli 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'nin JointDistribution ile modellemeye giriş için bu ortak çalışmaya göz atın
  • Olasılıksal katmanlar ( tfp.layers ): Temsil ettikleri işlevler üzerinde belirsizliğe sahip, TensorFlow katmanlarını genişleten sinir ağı katmanları.

Katman 3: Olasılığa Dayalı Çıkarım

  • Markov zinciri Monte Carlo ( tfp.mcmc ): Örnekleme yoluyla integrallere yaklaşma algoritmaları. Hamilton Monte Carlo'yu , rastgele yürüyüşlü Metropolis-Hastings'i ve özel geçiş çekirdekleri oluşturma yeteneğini içerir.
  • Varyasyonel Çıkarım ( tfp.vi ): Optimizasyon yoluyla integrallerin yakınlaştırılmasına yönelik algoritmalar.
  • Optimize Ediciler ( tfp.optimizer ): TensorFlow Optimize Edicileri genişleten stokastik optimizasyon yöntemleri. Stokastik Gradyan Langevin Dinamiklerini içerir.
  • Monte Carlo ( tfp.monte_carlo ): Monte Carlo beklentilerini hesaplamaya yönelik araçlar.

TensorFlow Probability aktif olarak geliştirilme aşamasındadır ve arayüzler değişebilir.

Örnekler

Gezinme bölümünde listelenen Python not defteri eğitimlerine ek olarak bazı örnek komut dosyaları da mevcuttur:

Sorunları bildir

TensorFlow Olasılık sorun izleyicisini kullanarak hataları veya özellik isteklerini bildirin.