- 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?
我有一个用于学习只有一个隐藏层的贝叶斯网络的分层模型。网络参数分为 4 组输入到隐藏和隐藏到输出的权重和偏差。在每个参数组上定义高斯先验。超参数,即这些先验的标准差,具有参数 alpha=1 的 Gamma 分布。和贝塔 = 1/60。输出噪声也是高斯噪声; Gamma(alpha=1., beta=200 ) 超过其标准偏差。 NUTS 步进函数用于采样,其缩放参数设置为仅参数(不包括超参数)的最大后验概率。数据是一维的,来自 [0,1],其中使用简单的一维正弦函数提供观察结果。我期望采样网络集对数据进行插值,并在距离这些观察点的距离增加时开始不同意/发散,从而创建类似于高斯过程模型产生的形状。 令人惊讶的是,结果与我预期的不同。看起来有些烦人的约束阻止了采样器从整个后验中很好地采样: (红线是MAP网络产生的,黑线是底层函数,3个小红点是数据)pymc3 伙计们,你们对这个问题的原因有什么解释吗?我该如何解决?
import numpy as np
import theano
import theano.tensor as T
import pymc3 as pm
import matplotlib.pyplot as plt
import scipy
#
co = 3 # 4 ,5,6,7 ,8
numHiddenUnits = 100
numObservations= 3 # 6 ,7, 8
randomSeed = 1235
numSamples = 5500
def z_score(x,mean=None,std=None):
if mean is None or std is None:
mean,std = np.mean(x,axis=0),np.std(x,axis=0)
return x - mean/std,mean,std
def sample(nHiddenUnts,X,Y):
'''
samples a set of ANNs from the posterior
'''
nFeatures = X.shape[1]
with pm.Model() as model:
#Gamma Hyperpriors
alpha,beta = 1.,1./60.
# standard deviation: Bias(Hidden-out)
bhoSd = pm.Gamma('bhoSd',alpha=alpha,beta=beta)
#standard deviation: Weights (Hidden-out)
whoSd = pm.Gamma('whoSd',alpha=alpha,beta=beta)
bihSd = pm.Gamma('bihSd',alpha=alpha,beta=beta)
#standard deviation: Bias (input-hidden)
wihSd = pm.Gamma('wihSd',alpha=alpha,beta=beta)
#standard deviation: output noise
noiseSd = pm.Gamma('noiseSd',alpha=alpha,beta=200.)
wihSd.tag.test_value= bihSd.tag.test_value= whoSd.tag.test_value= bhoSd.tag.test_value = 200
noiseSd.tag.test_value = 0.002
#priors
#Bias (HiddenOut)
bho = pm.Normal('bho',mu=0,sd=bhoSd)
bho.tag.test_value = 1
who = pm.Normal('who',mu=0,sd=whoSd,shape=(nHiddenUnts,1) )
who.tag.test_value = np.random.normal(size=nHiddenUnts,loc=0,scale=1).reshape(nHiddenUnts,1) #np.ones(shape=(nHiddenUnts,1))
#Bias input-hidden
bih = pm.Normal('bih',mu=0,sd=bihSd ,shape=nHiddenUnts)
bih.tag.test_value =np.random.normal(size=nHiddenUnts,loc=0,scale=1)#np.ones(shape=nHiddenUnts)
wih= pm.Normal('wih',mu=0,sd=wihSd ,shape= (nFeatures,nHiddenUnts))
wih.tag.test_value =np.random.normal(size=nFeatures*nHiddenUnts,loc=0,scale=1).reshape(nFeatures,nHiddenUnts)#np.ones(shape= (nFeatures,nHiddenUnts))
netOut=T.dot( T.nnet.sigmoid( T.dot( X , wih ) + bih ) , who ) + bho
#likelihood
likelihood = pm.Normal('likelihood',mu=netOut,sd=noiseSd,observed= Y)
print("model built")
#==================================================================
start1 = pm.find_MAP(fmin=scipy.optimize.fmin_l_bfgs_b, vars=[bho,who,bih,wih],model=model)
#start2 = pm.find_MAP(start=start1, fmin=scipy.optimize.fmin_l_bfgs_b, vars=[noiseSd,wihSd,bihSd ,whoSd,bhoSd],model=model)
step = pm.NUTS(scaling=start1)
#step = pm.HamiltonianMC(scaling=start1,path_length=5.,step_scale=.05,)
trace = pm.sample(10,step,start=start1, progressbar=True,random_seed=1234)[:]
step1 = pm.NUTS(scaling=trace[-1])
print '-'
trace = pm.sample(numSamples,step1,start=trace[-1], progressbar=True,random_seed=1234)[100:]
#========================================================================
return trace,start1
#underlying function
def g(x):
global co
return np.prod( x+np.sin(co*np.pi*x),axis=1)
np.random.seed(randomSeed)
XX= np.atleast_2d(np.random.uniform(0,1.,size =numObservations)).T
Y = np.atleast_2d(g(XX)).T
X,mean,std = z_score(XX)
trace,map_= sample(numHiddenUnits, X, Y)
data =np.atleast_2d( np.linspace(0., 1., 100)).T
theano.config.compute_test_value = 'off'
d = T.dmatrix()
w= T.dmatrix()
b = T.vector()
bo = T.dscalar()
wo = T.dmatrix()
y= T.dot( T.nnet.sigmoid( T.dot(d,w)+b),wo)+bo
f = theano.function([d,w,b,wo,bo],y)
data1,mean,std = z_score(data, mean, std)
print trace['wih'].shape
for s in trace[::1]:
plt.plot(data, f(data1,s['wih'],s['bih'],s['who'],s['bho']),c='blue',alpha =0.15)
plt.plot(data,g(data),'black')
# prediction of maximum a posteriori network
plt.plot(data, f(data1,map_['wih'],map_['bih'],map_['who'],map_['bho']),c='red')
plt.plot(XX,Y,'r.',markersize=10)
plt.show()
更新:我改了代码如下: 首先,给模型参数的test_values赋值好像很麻烦!但如果没有 'test_value' 的值,find_MAP 将不会收敛到正确的点,因此我删除了 test_value 分配并为 find_MAP() 提供起点(initpoint)。其次,为了让一切变得更简单,我用 Half_Normals 替换了 Gamma hyper-priors。 Step-method 也被 Metropolis 取代。知道示例函数如下所示: def 样本(nHiddenUnts,X,Y): nFeatures = X.shape 1 以 pm.Model() 作为模型:
bhoSd = pm.HalfNormal('bhoSd',sd=100**2)
whoSd = pm.HalfNormal('whoSd',sd=100**2)
bihSd = pm.HalfNormal('bihSd',sd=100**2)
wihSd = pm.HalfNormal('wihSd',sd=100**2)
noiseSd = pm.HalfNormal('noiseSd',sd=0.001)
#priors
bho = pm.Normal('bho',mu=0,sd=bhoSd)
who = pm.Normal('who',mu=0,sd=whoSd,shape=(nHiddenUnts,1) )
bih = pm.Normal('bih',mu=0,sd=bihSd ,shape=nHiddenUnts)
wih= pm.Normal('wih',mu=0,sd=wihSd ,shape= (nFeatures,nHiddenUnts))
netOut=T.dot( T.nnet.sigmoid( T.dot( X , wih ) + bih ) , who ) + bho
#likelihood
likelihood = pm.Normal('likelihood',mu=netOut,sd=noiseSd,observed= Y)
#========================================================
initpoint = {'bho':1,
'who':np.random.normal(size=nHiddenUnts,loc=0,scale=1).reshape(nHiddenUnts,1),
'bih':np.random.normal(size=nHiddenUnts,loc=0,scale=1),
'wih':np.random.normal(size=nFeatures*nHiddenUnts,loc=0,scale=1).reshape(nFeatures,nHiddenUnts),
'bhoSd':100,
'bihSd':100,
'whoSd':100,
'wihSd':100,
'noiseSd':0.1
}
start1 = pm.find_MAP(start=initpoint,fmin=scipy.optimize.fmin_l_bfgs_b, vars=[bho,who,bih,wih],model=model)
step = pm.Metropolis(tune=True,tune_interval=10000)
trace = pm.sample(numSamples,step,start=start1,progressbar=True,random_seed=1234)[10000::5]
#========================================================
return trace,start1
抽取 15000 个样本后的结果是这样的:只有当我将 initpoint(find_MAP 的起点)中的 NoiseSd 超参数和“noisSd”的标准偏差增加到 0.1 时,结果才会变为如下所示:然而,如此高水平的噪声是不希望的。
最佳答案
使用标准 Metropolis 采样器时模型表现如何?这应该给出一些指示,说明问题是出在算法上还是在其他地方。 MAP 和 NUTS 估计值具有可比性这一事实似乎表明后者。
关于neural-network - pymc 3's NUTS can' t 在我的贝叶斯神经网络分层模型中表现良好吗?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/31240611/
在 Django 中如何处理分层 URL?有什么最佳做法吗?例如。如果我有一个像 /blog/category1/category2/myblogentry 这样的 URL(使用例如 django-m
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 要求我们推荐或查找工具、库或最喜欢的场外资源的问题对于 Stack Overflow 来说是偏离主题的,
有没有办法在 R 中创建这样的图表? 以下是图表中显示的数据的摘录: df % group_by(Animal) %>% unite(col=Type, Animal:Name, sep =
我一直在努力处理一些时间戳数据(直到现在才需要处理日期,并且它表明)。希望您能帮忙。 我正在处理来自网站的数据,该数据显示每个客户 (ID) 各自的访问以及这些访问的时间戳。它的分组是指一个客户可能有
我一直在努力处理一些时间戳数据(直到现在才需要处理日期,并且它表明)。希望您能帮忙。 我正在处理来自网站的数据,该数据显示每个客户 (ID) 各自的访问以及这些访问的时间戳。它的分组是指一个客户可能有
我正在尝试完成这段代码: ORDER BY IF(j.groups IS NULL OR j.groups = '', IF(j.title IS NULL, i.title), j.groups)
我有一个非常抽象的问题,因为我不确定如何提出它。我的其中一个 View 上有一个 UIImageView。我想让 ImageView 看起来“压入 super View ”。我不确定技术术语是什么,但
我希望 100% 宽的包含图像的 div 位于我的页面下方。在这些 div 之上,我想要一个 1210 像素宽的 div,我可以在其中放置我的内容。 例子: http://mudchallenger.
我目前正在做一个类似于 http://www.beoplay.com/Products/BeoplayA9#under-the-hood 的元素使用 Javascript、HTML5 和 CSS3。我
我想像上面那样创建图像缩略图..为此,我在下面创建了 XML activity_main.xml
我想知道是否可以定义一个分层 MapReduce 作业?。换句话说,我想要一个 map-reduce 作业,在 mapper 阶段将调用不同的 MapReduce 作业。可能吗?您对如何操作有什么建议
程序设计: A 类,实现较低级别的数据处理 类 B-E,为 A 提供更高级别的接口(interface)以执行各种功能 F 类,它是根据用户输入与 B-E 交互的 UI 对象 在任何给定时间只能有一个
CTE 对我来说有点新,所以我希望有人可以帮助我编写的以下内容将采用类别表并从中构建层次结构以进行显示。我知道这种事情一直被问到,但我认为我的排序情况使它有点独特。 我希望有一些使用 Hierarch
我有关于 的问题群 在聚类分析(层次聚类)中。例如,这是 的完全链式的树状图。虹膜数据集 . 我使用后 > table(cutree(hc, 3), iris$Species) 这是输出 : se
数据 我有以下(简化的)数据集,我们称之为 df从现在开始: species rank value 1
Delphi 2009 中的分层窗口和系统菜单存在问题。也就是说,我们的分层窗口(没有边框)没有系统菜单。当我说系统菜单时,我指的是单击应用程序的图标、右键单击其标题栏或(在 Windows 7 中,
我正在制作一个 pototype HMTL5 Canvas 动画,该动画将导出到 Quicktime。 我有一个动态生成的背景,上面有动态屏蔽的元素。 我可以获取要制作的背景,并将其作为逐帧动画(pn
好吧,我有一个打印棋盘的类和另一个打印国际象棋的类 如何使用 LayeredPane 将它们合并在一起,如上面的示例图片所示?我一整天都在尝试,但似乎没有任何效果。我正在使用 JFrame 打印图片。
这是我的场景。我有两个类(class) ClassA 和 ClassB。 B类继承A类。 我在它们两个上使用@Component注释来使它们成为Spring bean。 @Component publ
这不是一道问题题,而是一道使用工具——leiningen——的题。 在一个主项目下创建分层的 lein 项目是否有优势,如果有,优势是什么? 如果我使用 lein new bene-cmp 创建一个项
我是一名优秀的程序员,十分优秀!