2

在我正在编写的模型的一个步骤中，我必须计算一个量的误差函数。我想要做的看起来像这样：

from math import erf
import numpy as np
import pymc as pm

sig = pm.Exponential('sig', beta=0.1, size=10)
x = erf(sig ** 2)

这失败了，因为erf它不适用于数组。我试过了：

@pm.deterministic
def x(sig=sig):
    return [erf(s) for s in sig]

但没有成功，我知道可以通过以下方式获得结果：

np_erf = np.vectorize(erf)
x = np_erf((sig ** 2).value)

但这似乎不是正确的方法，因为它不会产生 apm.Deterministic而只是产生np.array. 我该怎么做呢？（PyMC 是 2.3 版）

编辑：为清楚起见，对上述示例进行了简化，以下是相关段落在实际代码中的外观。理想情况下，我希望这个工作：

mu = pm.LinearCombination('mu', [...], [...])
sig2 = pm.exp(mu) ** 2
f = 1 / (pm.sqrt(np.pi * sig2 / 2.0) * erf(W / sig2))

但如果消息失败TypeError: only length-1 arrays can be converted to Python scalars。走np.vectorize路线

np_erf = np.vectorize(erf)
f = 1 / (pm.sqrt(np.pi * sig2 / 2.0) * np_erf(W / sig2))

崩溃并显示相同的错误消息。列表理解

@pm.deterministic
def f(sig2=sig2):
    return [1 / (pm.sqrt(np.pi * s / 2.0) * erf(W / s)) for s in sig2]

可以这样工作，但稍后会在此位置的代码中导致错误：

@pm.observed(plot=True)
def y(value=df['dist'], sig2=sig2, f=f):
    return (np.log(np.exp(-(value ** 2) / 2.0 / sig2) * f)).sum()

错误是AttributeError: log。

我已经使用数值近似计算了误差函数，这应该意味着一般设置是正确的。直接使用该erf功能会更好更清晰。

4

1 回答 1

2

我找到了解决方案。我没有意识到如果你使用pymc.deterministic装饰器创建一个变量，传递给函数的参数是numpy.array，而不是pymc.Distribution。这允许numpy.vectorize函数并将其应用于变量。所以而不是

sig = pm.Exponential('sig', beta=0.1, size=10)
x = erf(sig ** 2)

你需要使用

sig = pm.Exponential('sig', beta=0.1, size=10)
np_erf = np_vectorize(erf)

@pm.deterministic
def x(sig=sig):
    return np_erf(sig ** 2)

它有效。

于 2014-03-03T10:26:42.783 回答