问题标签 [edward]

在使用 edward 的时候，我们总是使用from edward.models import Normal，但是我没有Normal在github中找到声明

谁能告诉我它在哪里

我正在使用 Dirichlet 过程混合模型 (DPMM)根据以下社区帖子使用Edward推断合成数据集上的集群分配和集群参数。我正在使用 GPU 加速的 Metropolis Hastings 来学习模型参数的后验分布。例如，对于聚类均值，我们有：

我有兴趣生成跟踪图以可视化来自后验分布的样本qmu。我正在寻找类似于 PyMCpm.traceplot() 如何在 Edward 中生成跟踪图？

我正在尝试将 Torsten Scholak 在 PyCon 提出的非线性回归的贝叶斯神经网络应用于一些现实世界的数据，我得到了一些奇怪的结果。合身在一定程度上可以，然后只是平坦的。关于我做错了什么的任何想法？我正在使用爱德华图书馆

这就是结果的样子

这是我用来绘制它的代码。X_train尺寸为Y_train623尺寸X_test为Y_test718

更新：问题是输入数据。需要将其归一化为 (-1,1) 才能使 tanh 函数正常工作

之后有几个预测。不是最合适的，但仍然在进步

我正在尝试在 Edward 中编写一个简单的高斯混合。我遵循基本步骤和教程。代码似乎没问题，但是当我运行它时，出现以下错误：

Received a label value of 1 which is outside the valid range of [0, 2). Label values: 2 2 2 2...

这是我正在使用的代码。这很简单：

通常在概率编程框架的文档中，我可以阅读很多关于 MCMC 的内容，但对编程了解不多。我看到的每个示例通常只有非常简短的概率程序。如果不计算数据的输入和结果的输出，通常它们大约是 5-10 行代码。所以，它看起来不像编程。

据我了解，我可以编写概率程序来规范学习过程，所以我的概率程序越长，计算速度越快，我需要的训练数据集越小，我可以获得更正确的结果。我对吗？

例如，如果我想在图片上找到一只猫。我可以编写概率程序来描述猫的长相以及它们的表现形式。我的描述越详细，结果就会越好？

谢谢，德米特里

我按照Edward's repoR = U'V中的示例实现了一个概率矩阵分解模型 ( ) ：

在预测矩阵中的数据时，我得到了很好的表现R。但是，当我评估 和 中的推断特征时U，V误差变化很大并且可能会变得非常高。

我尝试使用小维度（例如 2）的潜在空间并检查潜在特征是否不是简单地排列。它们有时会被置换，但即使在重新对齐它们之后，错误仍然很重要。

抛出一些数字：对于从正态分布（均值 0 和方差 1）生成的合成矩阵，我可以实现 0.003 的平均绝对误差，R但通常在0.5 左右。UVRUV

我知道这个模型是对称的，但我不确定它的含义。我想问一下：

1. 是否真的有可能以某种方式保证原始潜在特征的恢复？
2. 如果是这样，如何实现，最好使用 Edward？

我是机器学习的新手。我有一个关于贝叶斯神经网络的项目来预测足球结果。然后我按照此链接的说明进行操作。然后我编写这样的代码：

但是，当我调试它时，会出现这样的错误：

在这一行：

inference.update(feed_dict={x_: batch_x, y_: batch_y})

错误是什么意思？以及如何解决？

我想检查在我的神经网络训练期间是否真的添加和使用了噪声。因此，我使用 keras 构建我的 NN，如下所示：

然后我使用 edward 执行推理：

根据文档，我最接近这一点的是通过 ed.MAPrun()和update()函数。

最好，我会做这样的事情：

如何在 ed.MAP 中正确验证在火车时间使用噪音并在测试时间禁用噪音？

更新 1

显然，我使用 GaussianNoise 的方式似乎并没有给我的输入添加噪音，因为以下单元测试失败：

我还确保在inference.update(...)断言 assert tf.keras.backend.learning_phase() == 1 通过期间。

这里哪里出了问题？

有没有人尝试过在 Spark 中使用 python 概率编程库？或者有没有人知道这需要什么？

我觉得 Edward 会是最简单的，因为已经有连接 Tensorflow 和 Spark 的工具，但仍然不清楚需要进行哪些低级代码更改。

我知道分布式 MCMC 仍然是一个积极研究的领域（参见MC-Stan on Spark？），那么这是否合理实施？谢谢！

我正在使用本地主机上的 Jupyter UI 运行官方 TF docker repo。似乎 TF 工作正常，因为我可以导入它，但是在尝试导入分发模块时出现错误：