2

我有三个关于装饰器的问题，我无法找到答案：

Q1）PyMC（@Deterministic，@Stochastic）中装饰器的参数表示什么？

Q2)

@pymc.stochastic(dtype=int)
def switchpoint(value=10, t_l=0, t_h=110):
    def logp(value, t_l, t_h):
        if value > t_h or value < t_l:
            return -np.inf
        else:
            return -np.log(t_h - t_l + 1)
    def random(t_l, t_h):
        from numpy.random import random
        return np.round( (t_l - t_h) * random() ) + t_l

1）按预期打印 switchpoint.logp #prints log-probability

2)print switchpoint.random #不生成随机数

3)print switchpoint.random() #生成一个随机数

4) 打印 switchpoint.logp() #error

如果 2 不起作用而 3 起作用，那么 1 不应该起作用并且 instaed 4 应该起作用（这与我观察到的相反）。有人可以解释发生了什么吗？

Q3)

@pymc.stochastic(dtype=int)
def switchpoint(value=1900, t_l=1851, t_h=1962):
    if value > t_h or value < t_l:
        # Invalid values
        return -np.inf
    else:
        # Uniform log-likelihood
        return -np.log(t_h - t_l + 1)

这里没有说明，logp还是如果我键入switchpoint.logp，这段代码就执行了？

4

1 回答 1

3

Q1）所有随机参数的含义都记录在这里。确定性的论点是相同的，加上此处记录的其他论点。

Q2) 行为上的区别在于 PyMC 内部有一些魔法，它实际执行switchpoint.logp函数并将其转换为 Python property，而switchpoint.random没有得到这种处理，并保留为函数。

如果您对实际发生的事情感到好奇，这里有一些相关的来源：

def get_logp(self):
    if self.verbose > 1:
        print '\t' + self.__name__ + ': log-probability accessed.'
    logp = self._logp.get()
    if self.verbose > 1:
        print '\t' + self.__name__ + ': Returning log-probability ', logp

    try:
        logp = float(logp)
    except:
        raise TypeError, self.__name__ + ': computed log-probability ' + str(logp) + ' cannot be cast to float'

    if logp != logp:
        raise ValueError, self.__name__ + ': computed log-probability is NaN'

    # Check if the value is smaller than a double precision infinity:
    if logp <= d_neg_inf:
        if self.verbose > 0:
            raise ZeroProbability, self.errmsg + ": %s" %self._parents.value
        else:
            raise ZeroProbability, self.errmsg

    return logp

def set_logp(self,value):
    raise AttributeError, 'Potential '+self.__name__+'\'s log-probability cannot be set.'

logp = property(fget = get_logp, fset=set_logp, doc="Self's log-probability value conditional on parents.")

那里还有一些其他的东西，比如在logp函数中进入一个叫做 a 的东西LazyFunction，但这是基本的想法。

Q3）stochastic装饰器有一些（更多）魔法，它使用代码自省来确定是否定义了内部函数random和logp子函数switchpoint。如果是，它使用logp子函数来计算logp，如果不是，它只使用switchpoint它自己。源代码在这里：

# This gets used by stochastic to check for long-format logp and random:
if probe:
    # Define global tracing function (I assume this is for debugging??)
    # No, it's to get out the logp and random functions, if they're in there.
    def probeFunc(frame, event, arg):
        if event == 'return':
            locals = frame.f_locals
            kwds.update(dict((k,locals.get(k)) for k in keys))
            sys.settrace(None)
        return probeFunc

    sys.settrace(probeFunc)

    # Get the functions logp and random (complete interface).
    # Disable special methods to prevent the formation of a hurricane of Deterministics
    cur_status = check_special_methods()
    disable_special_methods()
    try:
        __func__()
    except:
        if 'logp' in keys:
            kwds['logp']=__func__
        else:
            kwds['eval'] =__func__
    # Reenable special methods.
    if cur_status:
        enable_special_methods()

for key in keys:
    if not kwds.has_key(key):
        kwds[key] = None

for key in ['logp', 'eval']:
    if key in keys:
        if kwds[key] is None:
            kwds[key] = __func__

再一次，还有更多的事情发生，而且相当复杂，但这是基本的想法。

于 2014-06-03T03:02:51.737 回答