TensorFlow Probability to biblioteka do wnioskowania probabilistycznego i analiz statystycznych.
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.
Wprowadzenie do programowania probabilistycznego
Bayesian Methods for Hackers , wprowadzający, praktyczny samouczek, jest teraz dostępny z przykładami w TensorFlow Probability.
