probflow 2.0.0a3

入门

ProbFlow允许您快速、轻松地构建、调整和评估自定义贝叶斯模型（或ready-made个模型！）在TensorFlow 2.0和TensorFlow Probability或{a6}之上运行。

对于ProbFlow，贝叶斯模型的核心构建块是参数和概率分布（当然还有输入数据）。参数定义自变量（特征）如何预测因变量（目标）的概率分布。

例如，一个简单的贝叶斯线性回归

可以通过创建ProbFlow模型来构建：

importprobflowaspfimporttensorflowastfclassLinearRegression(pf.ContinuousModel):def__init__(self):self.weight=pf.Parameter(name='weight')self.bias=pf.Parameter(name='bias')self.std=pf.ScaleParameter(name='sigma')def__call__(self,x):returnpf.Normal(x*self.weight()+self.bias(),self.std())model=LinearRegression()

然后，可以使用随机变分推断来拟合模型，在one line中：

您可以为新数据生成预测：

# x_test is a Numpy array or pandas DataFrame
>>> model.predict(x_test)[0.983]

计算新数据的概率预测，置信区间为95%：

model.pred_dist_plot(x_test,ci=0.95)

使用指标评估模型的性能：

>>> model.metric('mse',x_test,y_test)0.217

检查拟合模型参数的后验分布，置信区间为95%：

model.posterior_plot(ci=0.95)

通过检查预测间隔的准确度，调查模型捕捉不确定性的能力：

>>> model.pred_dist_coverage(ci=0.95)0.903

并诊断，其中您的模型在捕捉不确定性方面存在问题：

model.coverage_by(ci=0.95)

ProbFlow还提供了更复杂的模块，例如构建贝叶斯神经网络所需的模块。此外，您可以将ProbFlow与TensorFlow（或PyTorch！）代码。例如，即使是这样一个有点复杂的多层贝叶斯神经网络：

只需几行即可构建并与ProbFlow配合：

classDensityNetwork(pf.ContinuousModel):def__init__(self,units,head_units):self.core=pf.DenseNetwork(units)self.mean=pf.DenseNetwork(head_units)self.std=pf.DenseNetwork(head_units)def__call__(self,x):x=self.core(x)returnpf.Normal(self.mean(x),tf.exp(self.std(x)))# Create the modelmodel=DensityNetwork([x.shape[1],256,128],[128,64,32,1])# Fit it!model.fit(x,y)

为了方便起见，ProbFlow还包括几个标准任务的pre-built models（如线性回归、logistic回归和多层密集神经网络）。例如，通过使用ProbFlow现成的线性回归模型，上述线性回归示例可以用更少的工作量完成：

model=pf.LinearRegression(x.shape[1])model.fit(x,y)

使用ProbFlow现成的Denseregress模型，可以很容易地构建多层贝叶斯神经网络：

model=pf.DenseRegression([x.shape[1],128,64,1])model.fit(x,y)

使用参数和分布作为简单的构建块，ProbFlow允许无痛地创建更复杂的贝叶斯模型，比如 generalized linear models， deep time-to-event models， neural matrix factorization型号，以及 Gaussian mixture models。看看examples和{a20}了解更多信息！

安装

在安装ProbFlow之前，首先需要安装PyTorch或TensorFlow 2.0和TensorFlow Probability。见more details here。

然后，您可以安装ProbFlow本身：

pip install probflow

支持

在GitHub issues中发布错误报告、功能请求和教程请求。

贡献

Pull requests完全欢迎！任何贡献都是值得赞赏的，从指出打字错误到编写新的应用程序和发行版这样重要的事情。

为什么叫这个名字，ProbFlow？在

因为这是一个概率建模的软件包，它是建立在TensorFlow上的。` \（ツ）´´