TensorFlow Probability คือคลังข้อมูลสำหรับการให้เหตุผลเชิงความน่าจะเป็นและการวิเคราะห์ทางสถิติ

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!)
ทำงานใน สมุดบันทึก
TensorFlow Probability (TFP) คือไลบรารี Python ที่สร้างขึ้นบน TensorFlow ซึ่งทำให้ง่ายต่อการรวมโมเดลความน่าจะเป็นและการเรียนรู้เชิงลึกเกี่ยวกับฮาร์ดแวร์สมัยใหม่ (TPU, GPU) สำหรับนักวิทยาศาสตร์ข้อมูล นักสถิติ นักวิจัย ML และผู้ปฏิบัติงานที่ต้องการเข้ารหัสความรู้ของโดเมนเพื่อทำความเข้าใจข้อมูลและคาดการณ์ TFP รวมถึง:
  • การแจกแจงความน่าจะเป็นและ bijectors ที่มีให้เลือกมากมาย
  • เครื่องมือในการสร้างแบบจำลองความน่าจะเป็นเชิงลึก รวมถึงเลเยอร์ความน่าจะเป็นและสิ่งที่เป็นนามธรรม `JointDistribution
  • การอนุมานแบบแปรผันและห่วงโซ่มาร์คอฟมอนติคาร์โล
  • เครื่องมือเพิ่มประสิทธิภาพ เช่น Nelder-Mead, BFGS และ SGLD
เนื่องจาก TFP สืบทอดคุณประโยชน์ของ TensorFlow คุณจึงสามารถสร้าง ปรับ และทำให้โมเดลใช้งานได้โดยใช้ภาษาเดียวตลอดวงจรชีวิตของการสำรวจและผลิตแบบจำลอง TFP เป็นโอเพ่นซอร์สและพร้อมใช้งาน บน GitHub ในการเริ่มต้น โปรดดู คู่มือความน่าจะเป็นของ TensorFlow