tfp-nightly 0.9.0.dev20190830

张量流概率

tensorflow概率是一个用于概率推理和统计的库 张量流分析。作为Tensorflow生态系统的一部分，Tensorflow 概率提供了概率方法与深度网络的集成， 基于梯度的推理通过自动区分和可扩展性 通过硬件加速（如GPU）和分布式的大型数据集和模型 计算。

我们的概率机器学习工具的结构如下。

第0层：张量流。数值运算。特别是直线牵引器 类启用可以利用特殊结构的无矩阵实现。 （对角线、低阶等）用于有效计算。它是建造和维护的 由Tensorflow概率小组，现在是 tf.linalg 核心tf.

第1层：统计构建块

• 发行版（tfp.distributions）： 大概率集合 批量和 广播 语义学。见 发行版教程
• 双喷射器（tfp.bijectors）： 随机变量的可逆和可组合变换。双射器 从经典的例子中提供一类丰富的变换分布 像 记录正态分布 到复杂的深度学习模型，例如 屏蔽的自回归流

第二层：模型构建

• 爱德华2号（http://github.com/tensorflow/probability/tree/master/tensorflow_probability/python/edward2" rel="nofollow">tfp.edward2）： 一种描述柔性概率的概率编程语言 作为程序的模型。见 edward2readme.md
• 概率层（tfp.layers）： 神经网络层的功能不确定， 扩展TensorFlow层。
• 可训练分布（tfp.trainable_distributions）： 用一个张量参数化的概率分布，使得 建立输出概率分布的神经网络。

第3层：概率推理

• 马尔可夫链蒙特卡洛（http://github.com/tensorflow/probability/tree/master/tensorflow_probability/python/mcmc）rel="nofollow">tfp.mcmcc）： 采样逼近积分的算法。包括 哈密顿蒙特卡洛， 随意漫步大都会黑斯廷斯，打造定制过渡能力 内核。
• 变分推理（tfp.vi： 通过优化逼近积分的算法。
• 优化器（tfp.optimizer）： 随机优化方法，扩展了张量流优化方法。包括 随机梯度langevin dynamics
• 蒙特卡洛（http://github.com/tensorflow/probability/blob/master/tensorflow_probability/python/monte_carlo" rel="nofollow">tfp.monte_carlo）： 计算蒙特卡洛期望值的工具。

张量流概率正在积极发展中。接口可以随时更改 时间，

示例

参见tensorflow_probability/examples/ 对于端到端的示例。它包括教程笔记本，如：

• 线性混合效果模型。 用于跨示例共享统计强度的分层线性模型。
• 八所学校。 可交换处理效应的层次标准模型。
• 层次线性模型。 比较tensorflow概率、r和stan的层次线性模型。
• 贝叶斯-高斯混合模型。 使用概率生成模型进行聚类。
• 概率主成分分析 具有潜在变量的降维。
• 高斯copulas。 捕捉随机变量之间相关性的概率分布。
• tensorflow发行版：温和介绍。 张量流分布简介。
• 了解tensorflow分布形状。 如何区分任意形状的样本、批次和事件 概率计算。
• tensorflow probability案例研究：协方差估计。 应用张量流概率估计协方差的用户案例研究。

它还包括示例脚本，如：

• 变分自动编码器。 具有潜码和变分推理的表象学习。
• 矢量量化自动编码器 矢量量化离散表示学习。
• 解纠缠顺序变分自动编码器 利用变分推理对序列进行解纠缠表示学习。
• 语法变分自动编码器。 在上下文无关语法中，表示学习优于生成。
• 潜在dirichlet分配 （发行版， 爱德华2版）。 用于捕获文档中主题的混合成员身份建模。

• 深度指数族。 用于发现主题层次结构的深度稀疏生成模型。

• 贝叶斯神经网络。 权重不确定的神经网络。
• 贝叶斯逻辑回归。 二元分类的贝叶斯推理。

安装

稳定构建

要安装最新版本，请运行以下命令：

# Notes:# - We recommend that users move towards using TensorFlow 2.x as soon as#   possible. Until the TF2 stable package is released (due in Sep. 2019),#   the best way to use TFP with TF2 is to use nightly TFP and TF2 packages:#     - Nightly TFP: [tfp-nightly](http://pypi.python.org/pypi/tfp-nightly)#     - Nightly TF2: [tf-nightly-2.0-preview](http://pypi.python.org/pypi/tf-nightly-2.0-preview)#   Once the TF2 stable release comes out, TFP will issue its 0.8.0 release,#   which will be tested and stable against TF 2.0.0.# - You need the latest version of `pip` in order to get the latest version of#   `tf-nightly-2.0-preview`.# - For GPU TF, use `tf-nightly-2.0-preview-gpu`.# - The `--upgrade` flag ensures you'll get the latest version.# - The `--user` flag ensures the packages are installed to your user directory#   rather than the system directory.
python -m pip install pip --upgrade --user
python -m pip install tf-nightly-2.0-preview tfp-nightly --upgrade --user
TFVERSION=$(python -c 'import tensorflow; print(tensorflow.__version__)')# If you have an older pip, you might get this older version of# tf-nightly-2.0-preview, so check to be sure.[[$TFVERSION=='2.0.0-dev20190731']]&&echo >&2"Failed to install the most recent TF. Found: ${TFVERSION}."

张量流概率取决于 tensorflow（pip包tensorflow）。见 tfp发行说明 有关TensorFlow和TensorFlow概率之间依赖关系的详细信息。

注：由于tensorflow是而不是包含在tensorflow的依赖项中 probability包（在setup.py中），必须显式安装tensorflow 封装（tensorflow或tensorflow gpu）。这样我们就可以维持一个 为启用CPU和GPU的TensorFlow打包而不是单独打包。

要强制python 3特定的安装，请将上面的pip替换为pip3。 命令。有关其他安装帮助、安装先决条件指南， 以及（可选）设置虚拟环境，请参见tensorflow 安装指南

每晚生成

在pip包下还有tensorflow概率的夜间构建 tfp nightly，这取决于tf nightly，tf nightly gpu之一， tf-nightly-2.0-preview或tf-nightly-gpu-2.0-preview。夜间构建包括 较新的功能，但可能不如版本化版本稳定。文档是 定期刷新此处

从源安装

也可以从源安装。这需要bazel构建系统。

# sudo apt-get install bazel git python-pip  # Ubuntu; others, see above links.
git clone https://github.com/tensorflow/probability.git
cd probability
bazel build --copt=-O3 --copt=-march=native :pip_pkg
PKGDIR=$(mktemp -d)
./bazel-bin/pip_pkg $PKGDIR
pip install --user --upgrade $PKGDIR/*.whl

社区

作为TensorFlow的一部分，我们致力于培养一个开放和热情的 环境。

• 堆栈溢出：提问 或回答技术问题。
• github：报告错误或 提出功能请求。
• tensorflow博客：了解最新内容 来自TensorFlow团队和社区的最佳文章。
• YouTube频道：关注tensorflow节目。
• tfprobability@tensorflow.org： 打开邮件列表进行讨论和提问。

有关 更多细节。请在此处查看我们的最新宣传：

• 谷歌咖啡：Tensorflow中的概率机器学习
• 介绍tensorflow概率

贡献

我们渴望与您合作！参见contribution.md 关于如何贡献的指南。这个项目遵循TensorFlow的 行为准则。通过参与，你应该 坚持这一准则。

参考文献

如果在论文中使用张量流概率，请引用：

• 张量流分布。joshua v.dillon，ian langmore，dustin tran， 尤金·布雷夫多，斯里尼瓦斯·瓦苏德万，戴夫·摩尔，布莱恩·巴顿，亚历克斯·阿莱米，马特 霍夫曼，里夫·A·索罗斯。 arxiv预印本arxiv:1711.106042017

（我们知道TensorFlow概率比分布要多得多，但是分布文件展示了我们的愿景，现在是一个很好的引用。）

标签：

• pip
• 模型
• tf
• tensorflow
• 概率
• 建模
• probability
• nightly
• tfp
• dev20190830

欢迎加入QQ群-->： 979659372

推荐PyPI第三方库

• mtop

  mtop是mongodb的顶级工具。

• sngrams

  输入文档中非停止字的术语和段落频率计数。

• Pegl

  egl api的python 3包装器

• geotweet-utils

  处理来自流式api的tweets的实用程序

• pyBrowser

  简单无头浏览器

• lazy-build

  没有项目描述

• open-falcon-sdk

  Python Open-Falcon SDK for Python

• pygvm

  简化了python的gvm端口。原始版本见http://www.tomgibara.com/clustering/fast-spatial/java-library。

• s3site

  管理amazons s3服务上静态站点的命令行工具

• MPInterfaces_Latest

  使用vasp和materials项目工具对接口进行高吞吐量分析

• mython

  python编程语言的mython可扩展变体。

• Near

  快速近似近邻搜索框架。

• it-ebook-dl

  未知

• latimes-pluggablemaps-lametrorail

  洛杉矶时报可插拔地图：洛杉矶地铁

• djangorest_ujson

  使用超快速json（在c中）的django rest框架的json呈现器和解析器。