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!)
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
ความรู้เบื้องต้นเกี่ยวกับการเขียนโปรแกรมความน่าจะเป็น
Bayesian Methods for Hackers ซึ่งเป็นบทแนะนำแบบลงมือปฏิบัติเบื้องต้น พร้อมตัวอย่างใน TensorFlow Probability แล้ว
