0

我是张量流概率的新手。我正在构建一个分层模型，为此我使用JointDistributionSequential API：

jds = tfp.distributions.JointDistributionSequential(
[
    # mu_g ~ uniform on sphere
    tfp.distributions.VonMisesFisher(
        mean_direction= [1] + [0]*(D-1),
        concentration=0,
        validate_args=True,
        name="mu_g"
    ),
    # epsilon ~ Exponential
    tfp.distributions.Exponential(
        rate=1,
        validate_args=True,
        name="epsilon"
    ),
    # mu_s ~ von Mises Fisher centered on mu_g
    lambda epsilon, mu_g: tfp.distributions.VonMisesFisher(
        mean_direction=mu_g,
        concentration=np.array(
            [epsilon]*S
        ),
        validate_args=True,
        name="mu_s"
    ),
    # sigma ~ Exponential
    tfp.distributions.Exponential(
        rate=1,
        validate_args=True,
        name="sigma"
    ),
    # mu_t_s ~ von Mises Fisher centered on mu_s
    lambda sigma, mu_s: tfp.distributions.VonMisesFisher(
        mean_direction=mu_s,
        concentration=np.array(
            [
                [sigma]*S
            ]*T
        ),
        validate_args=True,
        name="mu_t_s"
    ),
    # kappa ~ Exponential
    tfp.distributions.Exponential(
        rate=1,
        validate_args=True,
        name="kappa"
    ),
    # x_t_s ~ mixture of L groups of vMF
    lambda kappa, mu_t_s: tfp.distributions.VonMisesFisher(
        mean_direction=mu_t_s,
        concentration=np.array(
            [
                [
                    [
                        kappa
                    ]*S
                ]*T
            ]*N
        ),
        validate_args=True,
    name="x_t_s
    )            
]
)

然后我打算使用Mixture API 创建这些模型的混合：

l = tfp.distributions.Categorical(
probs=np.array(
    [
        [
            [
                [1.0/L]*L
            ]*S
        ]*T 
    ]*N               
),
name="l"
)

mixture = tfd.Mixture(
cat=l,
components=[
    jds
] * L,
validate_args=True
)

这行不通。我打算混合的是批处理形状（N，T，S）的分层模型“末端”的随机变量x_t_s 。我想我需要将它们提供给混合物的components参数。问题是我无法轻松地从模型对象中检索这些变量。

有没有人看到解决这个问题的方法？

请注意，我尝试使用jds.model[-1]而不是jds，但这指向 lambda 函数，这不是我在这里需要的。

4

1 回答 1

0

这里有几个想法。

  1. 考虑SphericalUniform第一个分布。
  2. 对于Mixture相同类型的 s，可以考虑使用MixtureSameFamily.
  3. 将混合物放入分层模型中。即最后一个发行版不是一个 vMF，它可能是一个MixtureSameFamily(Categorical(...), VonMisesFisher(...)).
  4. 如果您以后想访问组件，可以调用ds, xs = jds.sample_distributions()，然后查看ds[-1].component_distribution

如有问题，请随时发送电子邮件至 tfprobability@tensorflow.org。

于 2020-09-10T19:54:20.630 回答