TensorFlow Probability

TensorFlow Probability 是 TensorFlow 中用于概率推理和统计分析的库。TensorFlow Probability 是 TensorFlow 生态系统的一部分，提供了概率方法与深度网络的集成、使用自动微分的基于梯度的推理，并能扩展到包含硬件加速 (GPU) 和分布式计算的大型数据集和大型模型。

要开始使用 TensorFlow Probability，请参阅安装指南并查看 Python 笔记本教程{:.external}。

组件

我们的概率机器学习工具采用如下结构：

第 0 层：TensorFlow

数值运算（尤其是 LinearOperator 类）使无矩阵实现成为可能，这类实现可以利用特定结构（对角、低秩等）实现高效的计算。它由 TensorFlow Probability 团队构建和维护，已成为核心 TensorFlow 中 tf.linalg 的一部分。

第 1 层：统计构建块

• 分布 (tfp.distributions)：一个包含批次和广播{:.external}语义的概率分布和相关统计数据的大型集合。

• Bijector (tfp.bijectors)：随机变量的可逆和可组合转换。Bijector 提供了类别丰富的变换分布，包括对数正态分布{:.external}等经典示例以及掩码自回归流{:.external}等复杂的深度学习模型。

第 2 层：模型构建

• 联合分布（例如 tfp.distributions.JointDistributionSequential）：一个或多个可能相互依赖的分布上的联合分布。有关使用 TFP 的 JointDistribution 进行建模的介绍，请查看此 colab

• 概率层 (tfp.layers)：对其表示的函数具有不确定性的神经网络层，扩展了 TensorFlow 层。

第 3 层：概率推理

• 马尔可夫链蒙特卡洛方法 (tfp.mcmc)：通过采样来近似积分的算法。包括汉密尔顿蒙特卡洛算法{:.external}、随机游走梅特罗波利斯－黑斯廷斯算法以及构建自定义过渡内核的能力。

• 变分推理 (tfp.vi)：通过优化来近似积分的算法。

• 优化器 (tfp.optimizer)：随机优化方法，扩展了 TensorFlow 优化器。包括 随机梯度朗之万动力学{:.external}。

• 蒙特卡洛 (tfp.monte_carlo)：用于计算蒙特卡洛期望的工具。

TensorFlow Probability 正在积极开发，接口可能变化。

示例

除了导航中列出的 Python 笔记本教程{:.external}外，还提供了一些示例脚本：

• 变分自编码器 - 使用隐代码和变分推理的表示学习。

• 向量量化自编码器 - 使用向量量化的离散表示学习。

• 贝叶斯神经网络 - 对其权重具有不确定性的神经网络。

• 贝叶斯逻辑回归 - 二元分类的贝叶斯推断。

报告问题

使用 TensorFlow Probability 问题跟踪器报告错误或提交功能请求。