3

在 GPflow 1.0 中，如果我想在像长度尺度这样的参数上设置硬边界（即限制参数的优化范围）， 

transforms.Logistic(a=4., b=6.)

将参数限制在 4 到 6 之间。

GPflow 2.0 的文档说转换由 TensorFlow Probability 的 Bijector 类处理。哪个 Bijector 类处理对参数的硬性限制，实现它的正确方法是什么？

这里提出了一个关于 GPflow 1.0的类似问题（内核的超参数；初始化和设置边界）。但是由于 GPflow 1.0 不涉及使用 Bijectors，所以我提出了一个新问题。

4

1 回答 1

1

使用双射器链很容易做到这一点：

In [35]: a = 3.0
    ...: b = 5.0
    ...: affine = tfp.bijectors.AffineScalar(shift=a, scale=(b - a))
    ...: sigmoid = tfp.bijectors.Sigmoid()
    ...: logistic = tfp.bijectors.Chain([affine, sigmoid])

In [36]: logistic.forward(logistic.inverse(3.1) + 0.0)
Out[36]: <tf.Tensor: id=222, shape=(), dtype=float32, numpy=3.1>

现在，您可以logistic直接将 bijector 传递给 Parameter 构造函数。

In [45]: p = gpflow.Parameter(3.1, transform=logistic, dtype=tf.float32)

In [46]: p
Out[46]: <tf.Tensor: id=307, shape=(), dtype=float32, numpy=3.1>

In [47]: p.unconstrained_variable
Out[47]: <tf.Variable 'Variable:0' shape=() dtype=float32, numpy=-2.9444401>
于 2019-11-17T18:21:29.937 回答