TensorFlow Probability

TensorFlow Probability es una biblioteca de razonamiento probabilístico y análisis estadístico de TensorFlow. Como parte del ecosistema TensorFlow, TensorFlow Probability proporciona integración de métodos probabilísticos con redes profundas, inferencia basada en gradientes mediante diferenciación automática y escalabilidad a grandes conjuntos de datos y modelos con aceleración de hardware (GPU) y computación distribuida.

Para comenzar a usar TensorFlow Probability, consulte la guía de instalación y los tutoriales del bloc de notas de Python {:.external}.

Componentes

Nuestras herramientas probabilísticas de aprendizaje automático están estructuradas de la siguiente manera:

Capa 0: TensorFlow

Las operaciones numéricas (en particular, la clase LinearOperator) permiten ejecutar implementaciones sin matrices que pueden explotar una estructura particular (diagonal, de rango bajo, etc.) para un cálculo eficiente. El equipo de TensorFlow Probability se ha encargado de compilarlo y mantenerlo, y es parte de tf.linalg en el núcleo de TensorFlow.

Capa 1: Bloques de creación estadísticos

• Distributions (tfp.distributions): una gran colección de distribuciones de probabilidad y estadísticas relacionadas con semántica {:.external} por lotes y de difusión.

• Bijectors (tfp.bijectors): transformaciones reversibles y componibles de variables aleatorias. Los biyectores ofrecen una rica clase de distribuciones transformadas, desde ejemplos clásicos como la distribución log-normal {:.external} hasta modelos sofisticados de aprendizaje profundo como los flujos autorregresivos enmascarados {:.external}.

Capa 2: Compilación de modelos

• Distribuciones conjuntas (p. ej., tfp.distributions.JointDistributionSequential): distribuciones conjuntas sobre una o más distribuciones posiblemente interdependientes. Para obtener una introducción al modelado con JointDistribution de TFP, consulte esta colaboración

• Capas probabilísticas (tfp.layers): capas de redes neuronales con incertidumbre sobre las funciones que representan, extendiendo las capas de TensorFlow.

Capa 3: Inferencia probabilística

• Método de Monte Carlo basado en cadenas de Markov (tfp.mcmc): algoritmos para aproximar integrales mediante muestreo. Incluye algoritmo hamiltoniano de Monte Carlo {:.external}, algoritmo Metrópolis-Hastings de paseo aleatorio y la capacidad de crear kernels de transición personalizados.

• Inferencia variacional (tfp.vi): algoritmos para aproximar integrales mediante optimización.

• Optimizadores (tfp.optimizer): métodos de optimización estocástica que amplían los optimizadores de TensorFlow. Incluye dinámica de Langevin con gradiente estocástico {:.external}.

• Monte Carlo (tfp.monte_carlo): herramientas para calcular las expectativas de Monte Carlo.

TensorFlow Probability se encuentra en fase de desarrollo activo y las interfaces pueden cambiar.

Ejemplos

Además de los tutoriales del bloc de notas de Python {:.external} que aparecen en la navegación, hay algunos scripts de ejemplo disponibles:

• Autocodificadores variacionales: aprendizaje de representación con un código latente e inferencia variacional.

• Autocodificador con cuantización vectorial: aprendizaje de representación discreta con cuantización vectorial.

• Redes neuronales bayesianas: redes neuronales con incertidumbre sobre sus ponderaciones.

• Regresión logística bayesiana: inferencia bayesiana para clasificación binaria.

Informe de problemas

Informe errores o solicitudes de características mediante el uso del rastreador de problemas de TensorFlow Probability.