TensorFlow Probability

O TensorFlow Probability é uma biblioteca para raciocínio probabilístico e análise estatística no TensorFlow. O TensorFlow Probability faz parte do ecossistema do TensorFlow e conta com integração de métodos probabilísticos com redes profundas, inferência baseada em gradientes usando diferenciação automática e escalabilidade para datasets e modelos grandes com aceleração de hardware (GPUs) e computação distribuída.

Para começar a usar o TensorFlow Probability, confira o guia de instalação e veja os tutoriais em notebook do Python{:.external}.

Componentes

As ferramentas de aprendizado de máquina probabilístico são estruturadas da seguinte forma:

Camada 0: TensorFlow

As operações numéricas — especificamente, a classe LinearOperator — permitem implementações sem matrizes que podem aproveitar uma estrutura específica (diagonal, posto baixo, etc.) para deixar a computação eficiente. A classe é construída e mantida pela equipe do TensorFlow Probability e faz parte do tf.linalg no TensorFlow core.

Camada 1: blocos de construção estatística

• Distribuições (tfp.distributions): coleção grande de distribuições de probabilidade e estatísticas relacionadas com lote e semântica de broadcasting{:.external}.

• Bijetores (tfp.bijectors): transformações de variáveis aleatórias que são reversíveis e podem ser compostas. Os bijetores oferecem uma classe rica de distribuições transformadas, desde exemplos clássicos, como a distribuição log-normal{:.external} até modelos de aprendizado profundo sofisticados, como fluxos autorregressivos com máscara{:.external}.

Camada 2: criação do modelo

• Distribuições conjuntas (por exemplo: tfp.distributions.JointDistributionSequential): distribuições conjuntas de uma ou mais distribuições possivelmente interdependentes. Confira uma introdução da modelagem com JointDistributions do TFP neste colab.

• Camadas probabilísticas (tfp.layers): camadas de redes neurais com incerteza sobre as funções representadas, que estendem as camadas do TensorFlow.

Camada 3: inferência probabilística

• Monte Carlo via cadeias de Markov (tfp.mcmc): algoritmos para aproximação de integrais via amostragem. Inclui Monte Carlo Hamiltoniano{:.external}, algoritmo de Metropolis-Hastings random-walk e a capacidade de compilar kernels de transição personalizados.

• Inferência variacional (tfp.vi): algoritmos para aproximação de integrais por meio de otimização.

• Otimizadores (tfp.optimizer): métodos de otimização estocástica que estendem os TensorFlow Optimizers. Inclui o Método do gradiente estocástico de Langevin{:.external}.

• Monte Carlo (tfp.monte_carlo): ferramentas para computar as expectativas de Monte Carlo.

O TensorFlow Probability está em constante desenvolvimento, e as interfaces podem ser alteradas.

Exemplos

Além dos tutoriais em notebook do Python{:.external} indicados na navegação, confira alguns scripts de exemplo disponíveis:

• Autoencoders variacionais — representam o aprendizado com um código latente e inferência variacional.

• Autoencoder quantizado em vetores — aprendizado com representação discreta e quantização em vetores.

• Redes neurais bayesianas — redes neurais com incerteza sobre os pesos.

• Regressão logística bayesiana — inferência bayesiana para classificação binária.

Comunique problemas

Comunique bugs ou solicite recursos usando o issue tracker do TensorFlow Probability.