- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
如Edward
已弃用,需要旧版本的 TensorFlow,可以为以下示例创建专用的虚拟环境
$ python3 --version
Python 3.6.8
$ python3 -m venv edward
$ source edward/bin/activate
(edward) $ pip3 install --upgrade pip setuptools wheel
(edward) $ cat edward.txt
tensorflow==1.7
edward~=1.3
scipy~=1.2
pandas~=0.24
matplotlib~=3.0
(edward) $ pip3 install -r edward.txt
我有一个非常简单的最小工作示例,将哈密尔顿蒙特卡罗与爱德华一起使用,称为edward_old.py
#!/usr/bin/env python3
import numpy as np
import scipy.stats
import tensorflow as tf
import edward as ed
import pandas as pd
import matplotlib.pyplot as plt
def generate_samples(data, n_samples):
# Pick initial point for MCMC chains based on the data
low, med, high = np.percentile(data, (16, 50, 84))
mu_init = np.float32(med)
t_init = np.float32(np.log(0.5 * (high - low)))
# Build a very simple model
mu = ed.models.Uniform(-1.0, 1.0)
t = ed.models.Uniform(*np.log((0.05, 1.0), dtype=np.float32))
X = ed.models.Normal(
loc=tf.fill(data.shape, mu), scale=tf.fill(data.shape, tf.exp(t))
)
# Emperical samples of a sclar
q_mu = ed.models.Empirical(params=tf.Variable(tf.fill((n_samples,), mu_init)))
q_t = ed.models.Empirical(params=tf.Variable(tf.fill((n_samples,), t_init)))
# Run inference using HMC to generate samples.
with tf.Session() as sess:
inference = ed.HMC({mu: q_mu, t: q_t}, data={X: data})
inference.run(step_size=0.01, n_steps=10)
mu_samples, t_samples = sess.run([q_mu.params, q_t.params])
return mu_samples, t_samples
def visualize(samples, mu_grid, sigma_grid):
fig, ax = plt.subplots(1, 1, figsize=(6, 5))
ax.scatter(samples['mu'], samples['sigma'], s=5, lw=0, c='black')
ax.set_xlim(mu_grid[0], mu_grid[-1])
ax.set_ylim(sigma_grid[0], sigma_grid[-1])
ax.set_title('Edward')
ax.set_xlabel('$\mu$')
ax.set_ylabel('$\sigma$')
plt.savefig('edward_old.pdf')
def main():
np.random.seed(0)
tf.set_random_seed(0)
# Generate pseudodata from draws from a single normal distribution
dist_mean = 0.0
dist_std = 0.5
n_events = 5000
toy_data = scipy.stats.norm.rvs(dist_mean, dist_std, size=n_events)
mu_samples, t_samples = generate_samples(toy_data, n_events)
samples = pd.DataFrame({'mu': mu_samples, 'sigma': np.exp(t_samples)})
n_grid = 50
mu_grid = np.linspace(*np.percentile(mu_samples, (0.5, 99.5)), n_grid)
sigma_grid = np.linspace(*np.exp(np.percentile(t_samples, (0.5, 99.5))), n_grid)
visualize(samples, mu_grid, sigma_grid)
if __name__ == '__main__':
main()
生成下面的图
(edward) $ python3 edward_old.py
但是,当我尝试使用 TensorFlow Probability 复制它时和 Edward2具有以下环境
$ python3 --version
Python 3.6.8
$ python3 -m venv tfp-edward2
$ source tfp-edward2/bin/activate
(tfp-edward2) $ pip3 install --upgrade pip setuptools wheel
(tfp-edward2) $ cat tfp-edward2.txt
tensorflow~=1.13
tensorflow-probability~=0.6
scipy~=1.2
pandas~=0.24
matplotlib~=3.0
(tfp-edward2) $ pip3 install -r tfp-edward2.txt
以及名为 edward2.py
的文件中 edward_old.py
的 generate_samples
的以下更改
#!/usr/bin/env python3
import numpy as np
import scipy.stats
import tensorflow as tf
import tensorflow_probability as tfp
from tensorflow_probability import edward2 as ed
import pandas as pd
import matplotlib.pyplot as plt
def generate_samples(data, n_samples):
# Pick initial point for MCMC chains based on the data
low, med, high = np.percentile(data, (16, 50, 84))
mu_init = np.float32(med)
t_init = np.float32(np.log(0.5 * (high - low)))
def model(data_shape):
mu = ed.Uniform(
low=tf.fill(data_shape, -1.0), high=tf.fill(data_shape, 1.0), name="mu"
)
t = ed.Uniform(
low=tf.log(tf.fill(data_shape, 0.05)),
high=tf.log(tf.fill(data_shape, 1.0)),
name="t",
)
x = ed.Normal(loc=mu, scale=tf.exp(t), name="x")
return x
log_joint = ed.make_log_joint_fn(model)
def target_log_prob_fn(mu, t):
"""Target log-probability as a function of states."""
return log_joint(data.shape, mu=mu, t=t, x=data)
step_size = tf.get_variable(
name='step_size',
initializer=0.01,
use_resource=True, # For TFE compatibility
trainable=False,
)
num_burnin_steps = 1000
hmc_kernel = tfp.mcmc.HamiltonianMonteCarlo(
target_log_prob_fn=target_log_prob_fn,
num_leapfrog_steps=5,
step_size=step_size,
step_size_update_fn=tfp.mcmc.make_simple_step_size_update_policy(
num_adaptation_steps=int(num_burnin_steps * 0.8)
),
)
# How should these be done?
q_mu = tf.random_normal(data.shape, mean=mu_init)
q_t = tf.random_normal(data.shape, mean=t_init)
states, kernel_results = tfp.mcmc.sample_chain(
num_results=n_samples,
current_state=[q_mu, q_t],
kernel=hmc_kernel,
num_burnin_steps=num_burnin_steps,
)
# Initialize all constructed variables.
init_op = tf.global_variables_initializer()
# Run the inference using HMC to generate samples
with tf.Session() as sess:
init_op.run()
states_, results_ = sess.run([states, kernel_results])
mu_samples, t_samples = states_[0][0], states_[1][0]
return mu_samples, t_samples
运行
(tfp-edward2) $ python3 edward2.py
表明存在一些明显的问题。我认为我没有正确地制定与 ed.models.Empirical
相当的内容,因此,如果对此有任何想法或我做错的其他事情,那就太好了。
我已经尝试遵循“Upgrading from Edward to Edward2 ”示例,但我还无法充分理解它们,无法从 deep_exponential_family
模型中使用的示例转移到此示例。
最佳答案
我给自己制造的问题完全搞乱了我的分布的形状。我一开始未能正确理解的是我的 tfp.mcmc.sample_chain
的 current_state
应该是标量 (shape==()
)代表链的初始位置。一旦我意识到这一点,就很清楚这些位置 q_mu
和 q_t
的形状完全错误,应该是根据数据确定的位置的样本平均值
q_mu = tf.reduce_mean(tf.random_normal((1000,), mean=mu_init))
q_t = tf.reduce_mean(tf.random_normal((1000,), mean=t_init))
由于这些值是标量,所以我创建模型的形状也是错误的。我一直在创建与我的数据形状相同的随机变量样本,错误地认为这只是将 x
的形状移动到 mu
和 的形状>t
。当然,mu
和 t
是来自各自均匀分布的标量随机变量,它们是 x
正态分布的参数绘制了哪些 data.shape
样本。
def model(data_shape):
mu = ed.Uniform(low=-1.0, high=1.0, name="mu")
t = ed.Uniform(low=tf.log(0.05), high=tf.log(1.0), name="t")
x = ed.Normal(
loc=tf.fill(data_shape, mu), scale=tf.fill(data_shape, tf.exp(t)), name="x"
)
return x
完成此操作后,唯一剩下要做的就是立即正确访问状态
with tf.Session() as sess:
init_op.run()
states_, results_ = sess.run([states, kernel_results])
mu_samples, t_samples = (states_[0], states_[1])
这会产生下面的图像
(tfp-edward2) $ python3 edward2.py
这与使用 Edward
的原始版本非常匹配。
完全更正的脚本如下
#!/usr/bin/env python3
import numpy as np
import scipy.stats
import tensorflow as tf
import tensorflow_probability as tfp
from tensorflow_probability import edward2 as ed
import pandas as pd
import matplotlib.pyplot as plt
def generate_samples(data, n_samples):
# Pick initial point for MCMC chains based on the data
low, med, high = np.percentile(data, (16, 50, 84))
mu_init = np.float32(med)
t_init = np.float32(np.log(0.5 * (high - low)))
def model(data_shape):
mu = ed.Uniform(low=-1.0, high=1.0, name="mu")
t = ed.Uniform(low=tf.log(0.05), high=tf.log(1.0), name="t")
x = ed.Normal(
loc=tf.fill(data_shape, mu), scale=tf.fill(data_shape, tf.exp(t)), name="x"
)
return x
log_joint = ed.make_log_joint_fn(model)
def target_log_prob_fn(mu, t):
"""Target log-probability as a function of states."""
return log_joint(data.shape, mu=mu, t=t, x=data)
step_size = tf.get_variable(
name='step_size',
initializer=0.01,
use_resource=True, # For TFE compatibility
trainable=False,
)
num_burnin_steps = 1000
hmc_kernel = tfp.mcmc.HamiltonianMonteCarlo(
target_log_prob_fn=target_log_prob_fn,
num_leapfrog_steps=5,
step_size=step_size,
step_size_update_fn=tfp.mcmc.make_simple_step_size_update_policy(
num_adaptation_steps=int(num_burnin_steps * 0.8)
),
)
# Initial states of chains
q_mu = tf.reduce_mean(tf.random_normal((1000,), mean=mu_init))
q_t = tf.reduce_mean(tf.random_normal((1000,), mean=t_init))
states, kernel_results = tfp.mcmc.sample_chain(
num_results=n_samples,
current_state=[q_mu, q_t],
kernel=hmc_kernel,
num_burnin_steps=num_burnin_steps,
)
# Initialize all constructed variables.
init_op = tf.global_variables_initializer()
# Run the inference using HMC to generate samples
with tf.Session() as sess:
init_op.run()
states_, results_ = sess.run([states, kernel_results])
mu_samples, t_samples = (states_[0], states_[1])
return mu_samples, t_samples
def visualize(samples, mu_grid, sigma_grid):
fig, ax = plt.subplots(1, 1, figsize=(6, 5))
ax.scatter(samples['mu'], samples['sigma'], s=5, lw=0, c='black')
ax.set_xlim(mu_grid[0], mu_grid[-1])
ax.set_ylim(sigma_grid[0], sigma_grid[-1])
ax.set_title('tfp and Edward2')
ax.set_xlabel('$\mu$')
ax.set_ylabel('$\sigma$')
plt.savefig('tfp-edward2.pdf')
plt.savefig('tfp-edward2.png')
def main():
np.random.seed(0)
tf.set_random_seed(0)
# Generate pseudodata from draws from a single normal distribution
dist_mean = 0.0
dist_std = 0.5
n_events = 5000
toy_data = scipy.stats.norm.rvs(dist_mean, dist_std, size=n_events)
mu_samples, t_samples = generate_samples(toy_data, n_events)
samples = pd.DataFrame({'mu': mu_samples, 'sigma': np.exp(t_samples)})
n_grid = 50
mu_grid = np.linspace(*np.percentile(mu_samples, (0.5, 99.5)), n_grid)
sigma_grid = np.linspace(*np.exp(np.percentile(t_samples, (0.5, 99.5))), n_grid)
visualize(samples, mu_grid, sigma_grid)
if __name__ == '__main__':
main()
关于python - 使用 TensorFlow Probability 的 Edward2 的简单哈密顿蒙特卡罗示例,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55546358/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!