Github 项目推荐 | TensorFlow 概率推理工具集 —— probability

Probability 是 TensorFlow 的概率推理工具集，它是集建模工具、推理算法、一些有用的模型和一般统计计算于一身的开发工具集合。利用 TensorFlow，Probability 可以将概率方法和深度网络、通过自动差分的基于梯度的推论、大数据集、通过硬件（比如 GPU）加速的模型和分布式计算结合起来。

该软件的主要内容包括以下几个部分：

采样算法，例如，tfp.metropolis_hastings，tfp.hmc，tfp.monte_carlo。
示例模型（tfp.examples）：使用此包和tf.contrib.distributions中的工具在TensorFlow中实现常见概率模型。

该库中的接口可能随时会更改。

Github 地址：

https://github.com/tensorflow/probability

安装：

安装 Probability 最简单的方法是用 pip：

pip install --upgrade tensorflow-probability       # for Python 2.7
pip3 install --upgrade tensorflow-probability      # for Python 3.n
pip install --upgrade tensorflow-probability-gpu   # for Python 2.7 and GPU
pip3 install --upgrade tensorflow-probability-gpu  # for Python 3.n and GPU

TensorFlow Probability 目前不包含任何指定 GPU（GPU-specific）的代码。这些软件包之间的主要区别在于 tensorflow-probability-gpu 取决于启用 GPU 的 TensorFlow 版本。

开发者也可以从源代码安装，这需要 Bazel（https://bazel.build/）构建系统。

git clone https://github.com/tensorflow/probability.git
cd probability
bazel build --config=opt :pip_pkg
./bazel-bin/pip_pkg /tmp/tensorflow_probability_pkg
pip install /tmp/tensorflow_probability_pkg/*.whl

示例：

通过示例来学习是最容易的， examples / 目录包含常见概率模型的参考实现，并演示了在 TensorFlow 中构建概率模型的惯用方法。开发者可以直接用命令行运行示例：

python -m tensorflow_probability.examples.weight_uncertainty.mnist_deep_nn

训练贝叶斯深度网络对MNIST数字进行分类，请参阅示例目录：

https://github.com/tensorflow/probability/tree/master/examples/

用法：

安装 tensorflow_probability 后，可通过以下方式访问函数：

import tensorflow_probability as tfp