基于pytorch的轻量级bayes推理框架。
bayes-torch的Python项目详细描述
#bayes torch：一个轻量级的bayes推理框架
[爱德华]（https://github.com/blei-lab/edward）（tensorflow）
[pymc]（https://github.com/pymc-devs/pymc3）（theano），
[pyro]（https://github.com/uber/pyro）（pytorch）它们的计算基础和抽象高api之间的关系是很尴尬。
因此，我们发现该项目在flexible
autograd库pytorch上实现了类stan的api。这是一个轻量级的框架，你可以直接编写联合似然函数来运行推理，而不是用stan、pymc或edward中的丑陋样式来进行伪采样。
pyro中的weired namebinding。
实y[n]；
}
参数{
>实mu；
}
模型{
}
````
``python
sigma=数据（1.0）
def target（）：
target=正常（mu，sigma）.log_prob（x）.sum（0）
return target
````
>比较两个框架的完整代码：
``python
复位
import torch
=参数（0.0）
sigma=数据（1.0）
def target（）：
target=正常（mu，sigma）.log-prob（x）.sum（0）
return target
optimization（target）
打印（f‘优化：mu={mu.data}’）
>res=vb（target）
>q mu=res.params['mu']
>打印（f‘vb mu={q mu["loc"]}omega={q mu["omega"]}西格玛={torch.exp（q mu["omega"]}）ω{q mu["omega"]}ω{q mu{q mu{q mu‘omega"]}}}西格玛{火炬{torch.exp（/>
>res=vb（target，q_size=10，n_epoch=200）
>打印（f'vb mu={q{q{q{q{mu‘loc"}}ω}ω{ω{ω{ω{ω{/>
跟踪=采样（目标，跟踪长度=300）
mu跟踪=torch.tensor（[t['mu'].item（）表示跟踪中的t]）
print（'sampling:mu={}sigma={}'。format（torch.mean（mu跟踪），torch.std（mu_trace））
import numpy as np
import pystan
实y[n]；
}
参数{
实mu；
}
模型{
}
'
=_ x.numpy（）
res2=sm.optimizing（data=dict（n=len（x，y=x），y=x））
>print（f'optimizing（stan）：mu={res2["mu"]}'）
>res3=sm.vb（data=dict（n=len（x，y=x），y=x））
>res3A=np.array（res3['sampler（m params）"）
print（f'vb（stan（stan）打印（f'vb（stan）print（"："mu={res3A[0，：].mean（）}sigma={res3A[0，：].std（）}'）
`````
>敌方位置探测示例：
``python
=数据（作战点）
敌人=参数（敌人点）将实值设为初始值，尽管随机初始值可能更合适
conflict_threshold=0.2
distance_threshold=1.0
tense=10.0
前一时态=5.0
def target（）：
friend撸emy=torch.cat（（friend，敌人），0）
distance=cdist（战斗，敌友.min（dim=1）[0]
sd=torch.stack（[friend.std（0），enest.std（0）]0）
conflict=torch.exp（norm_naive_bayes_predict（battle，mu，sd，logpc））.prod（1）
p=soft_cut_ge（conflict，conflict_threshold，tense=tense）*\
soft_cut le（distance，distance_threshold，时态=时态）
target=torch.log（p.sum（0）
+敌人。总和（0）。总和（0）
返回目标2
`````
<；img src="images/example.png">；
这意味着引入参数的方式有一些限制，例如，您不能定义"参数"列表
，希望bt能够找到它。
在"优化"中，bt运行标准sgd算法。
在"采样"中，bt经常使用hmc将变量替换为另一个（相同的形状）。
在"vb"中，bt将变量映射到正态变分分布对象，该对象包含变分参数mu和omega（`omega=log（sigma）`）。最后一个维度将由"vb"内部使用。
您始终可以检查原始代码以找出发生的任何情况。
Rajesh和Gelman，Andrew和Blei，David M
https://arxiv.org/abs/1603.00788
http://andrew gelman.com/wp content/uploads/2014/12/pp_nips2014.pdf
The no-u-turn sampler:Adaptive setting path lengs in Hamiltonian Monte Carlo.
https://arxiv.org/abs/1111.4246
关键词：Bayes Statistic Scientific
平台：未知
内容类型：文本/向下
[爱德华]（https://github.com/blei-lab/edward）（tensorflow）
[pymc]（https://github.com/pymc-devs/pymc3）（theano），
[pyro]（https://github.com/uber/pyro）（pytorch）它们的计算基础和抽象高api之间的关系是很尴尬。
因此，我们发现该项目在flexible
autograd库pytorch上实现了类stan的api。这是一个轻量级的框架，你可以直接编写联合似然函数来运行推理，而不是用stan、pymc或edward中的丑陋样式来进行伪采样。
pyro中的weired namebinding。
实y[n]；
}
参数{
>实mu；
}
模型{
}
````
``python
sigma=数据（1.0）
def target（）：
target=正常（mu，sigma）.log_prob（x）.sum（0）
return target
````
>比较两个框架的完整代码：
``python
复位
import torch
=参数（0.0）
sigma=数据（1.0）
def target（）：
target=正常（mu，sigma）.log-prob（x）.sum（0）
return target
optimization（target）
打印（f‘优化：mu={mu.data}’）
>res=vb（target）
>q mu=res.params['mu']
>打印（f‘vb mu={q mu["loc"]}omega={q mu["omega"]}西格玛={torch.exp（q mu["omega"]}）ω{q mu["omega"]}ω{q mu{q mu{q mu‘omega"]}}}西格玛{火炬{torch.exp（/>
>res=vb（target，q_size=10，n_epoch=200）
>打印（f'vb mu={q{q{q{q{mu‘loc"}}ω}ω{ω{ω{ω{ω{/>
跟踪=采样（目标，跟踪长度=300）
mu跟踪=torch.tensor（[t['mu'].item（）表示跟踪中的t]）
print（'sampling:mu={}sigma={}'。format（torch.mean（mu跟踪），torch.std（mu_trace））
import numpy as np
import pystan
实y[n]；
}
参数{
实mu；
}
模型{
}
'
=_ x.numpy（）
res2=sm.optimizing（data=dict（n=len（x，y=x），y=x））
>print（f'optimizing（stan）：mu={res2["mu"]}'）
>res3=sm.vb（data=dict（n=len（x，y=x），y=x））
>res3A=np.array（res3['sampler（m params）"）
print（f'vb（stan（stan）打印（f'vb（stan）print（"："mu={res3A[0，：].mean（）}sigma={res3A[0，：].std（）}'）
`````
>敌方位置探测示例：
``python
=数据（作战点）
敌人=参数（敌人点）将实值设为初始值，尽管随机初始值可能更合适
conflict_threshold=0.2
distance_threshold=1.0
tense=10.0
前一时态=5.0
def target（）：
friend撸emy=torch.cat（（friend，敌人），0）
distance=cdist（战斗，敌友.min（dim=1）[0]
sd=torch.stack（[friend.std（0），enest.std（0）]0）
conflict=torch.exp（norm_naive_bayes_predict（battle，mu，sd，logpc））.prod（1）
p=soft_cut_ge（conflict，conflict_threshold，tense=tense）*\
soft_cut le（distance，distance_threshold，时态=时态）
target=torch.log（p.sum（0）
+敌人。总和（0）。总和（0）
返回目标2
`````
<；img src="images/example.png">；
这意味着引入参数的方式有一些限制，例如，您不能定义"参数"列表
，希望bt能够找到它。
在"优化"中，bt运行标准sgd算法。
在"采样"中，bt经常使用hmc将变量替换为另一个（相同的形状）。
在"vb"中，bt将变量映射到正态变分分布对象，该对象包含变分参数mu和omega（`omega=log（sigma）`）。最后一个维度将由"vb"内部使用。
您始终可以检查原始代码以找出发生的任何情况。
Rajesh和Gelman，Andrew和Blei，David M
https://arxiv.org/abs/1603.00788
http://andrew gelman.com/wp content/uploads/2014/12/pp_nips2014.pdf
The no-u-turn sampler:Adaptive setting path lengs in Hamiltonian Monte Carlo.
https://arxiv.org/abs/1111.4246
关键词：Bayes Statistic Scientific
平台：未知
内容类型：文本/向下
欢迎加入QQ群-->： 979659372
