TensorFlow Probability

TensorFlow Probability 是 TensorFlow 中用於機率推理和統計分析的程式庫。作為 TensorFlow 生態系統的一部分，TensorFlow Probability 提供機率方法與深度網路的整合、使用自動微分的梯度式推論，以及透過硬體加速 (GPU) 和分散式運算來擴展至大型資料集和模型。

若要開始使用 TensorFlow Probability，請參閱安裝指南並檢視Python 筆記本教學課程。

元件

我們的機率機器學習工具結構如下

第 0 層：TensorFlow

數值運算—特別是 LinearOperator 類別 — 支援免矩陣實作，能夠運用特定結構 (對角、低秩等) 進行有效率的運算。它由 TensorFlow Probability 團隊建構和維護，並且是核心 TensorFlow 中 tf.linalg 的一部分。

第 1 層：統計建構區塊

• 分佈 (tfp.distributions)：大量機率分佈和相關統計資料的集合，具有批次和廣播語意。
• 雙射器 (tfp.bijectors)：隨機變數的可逆且可組合轉換。雙射器提供豐富的轉換分佈類別，從對數常態分佈等經典範例到複雜的深度學習模型，例如遮罩式自迴歸流。

第 2 層：模型建構

• 聯合分佈 (例如，tfp.distributions.JointDistributionSequential)：一個或多個可能相互依賴的分佈的聯合分佈。如需 TFP JointDistribution 建模簡介，請查看此 Colab
• 機率層 (tfp.layers)：神經網路層，其函數表示具有不確定性，擴充了 TensorFlow 層。

第 3 層：機率推論

• 馬可夫鏈蒙地卡羅法 (tfp.mcmc)：透過取樣逼近積分的演算法。包括哈密頓蒙地卡羅法、隨機漫步 Metropolis-Hastings 以及建構自訂轉換核心的能力。
• 變分推論 (tfp.vi)：透過最佳化逼近積分的演算法。
• 最佳化工具 (tfp.optimizer)：隨機最佳化方法，擴充了 TensorFlow 最佳化工具。包括隨機梯度朗之萬動力學。
• 蒙地卡羅法 (tfp.monte_carlo)：用於計算蒙地卡羅期望值的工具。

TensorFlow Probability 仍在積極開發中，介面可能會變更。

範例

除了導覽中列出的Python 筆記本教學課程外，還有一些範例指令碼可用

• 變分自動編碼器 — 使用潛在程式碼和變分推論的表示學習。
• 向量量化自動編碼器 — 使用向量量化的離散表示學習。
• 貝氏神經網路 — 權重不確定的神經網路。
• 貝氏邏輯迴歸 — 用於二元分類的貝氏推論。

回報問題

使用TensorFlow Probability 問題追蹤器回報錯誤或功能要求。