0

I am using Tensorflow Probability to build a VAE which includes image pixels as well as some other variables. The output of the VAE:

tfp.distributions.Independent(tfp.distributions.Bernoulli(logits), 2, name="decoder-dist")

I am trying to understand how to form other conditional distributions based on this which I can use with the inference methods (MCMC or VI). Say the output above was P(A,B,C | Z), how would I take that distribution to form a posterior P(A|B, C, Z) that I could perform inference on? I have been trying to read through the docs but I am having some trouble grasping them.

4

1 回答 1

3

您的问题的答案在很大程度上取决于您想要在其中进行调节的联合模型的性质。关于这个话题已经写了很多，简而言之，总的来说这是一个非常困难的问题:)。如果不了解更多关于您的问题的细节，几乎不可能推荐一个有用的通用推理过程。但是，我们在 TFP 存储库中确实有一堆示例（脚本和 jupyter/colab 笔记本）：https ://github.com/tensorflow/probability/tree/master/tensorflow_probability/examples

特别是，有

  • 分层线性模型示例，这是一种罗塞塔石碑，展示了如何在 TFP、R 和 Stan 中使用 Hamiltonian Monte Carlo（一种 MCMC 技术）进行后验推断，

  • 线性混合效应模型示例，展示如何使用 VI 解决标准 LME 问题，

在许多其他人中。您可以单击任何这些笔记本顶部的“在 Google Colab 中运行”链接，在https://colab.research.google.com上打开并运行它们。

也请随时通过电子邮件与我们联系，地址为 tfprobability@tensorflow.org。这是一个公开的 Google 群组，用户可以在其中与直接构建 TFP 的团队互动。如果您在此处向我们提供有关您想要做什么的更多信息，我们很乐意提供有关使用 TFP 进行建模和推理的指导。

希望这至少给了一个正确的方向！

于 2018-11-26T22:49:40.237 回答