问题标签 [gpflow]

背景：我使用 SVGP 和泊松似然（和日志/exp 链接）训练了一个模型。除了预测计数之外，我还想要一个不确定性度量。

该函数m.predict_y提供预测均值和预测方差。对于泊松似然Likelihood.predict_mean_and_var，它使用Gauss-Hermite 正交的默认实现。

这是计算计数的期望（即我们的目标/因变量）还是泊松参数的期望？

• (i) 如果它是泊松参数的预测均值/方差，如何使用该方差来获得有意义的可信区间？

• (ii) 如果它是计数的预测均值/方差，那么均值是否应该与方差相同（因为我们整合了除 y 和 y 之外的所有内容是泊松分布的）？还是我误解了预测方差的概念？

如果我正确理解代码，我们会得到泊松参数 (i) 的预测均值/方差。

在我目前的方法中，我重写predict_mean_and_var了它，以便它使用 mcmc 方法ndiag_mc_perc而不是 Hermite-gauss 近似，然后只返回样本的 10%/90% 百分位数。

我在 GPFlow 中构建了一个自定义的 Matern32 内核，以对一些计算成本很高的矩阵值进行操作，这些矩阵值包含我的数据点之间的“距离”：

此自定义内核是为二进制分类任务实现的（附加示例数据文件）：

运行上述返回以下错误：

我已经尝试改变 GPFlow 设置中的抖动级别以及内核参数的初始值，但这并没有解决这个 Cholesky 分解问题。我的自定义内核适用于回归任务，所以我不确定问题出在哪里。我的数据真的很糟糕吗？（示例数据是完整数据集的一小部分 - 请参阅此处了解脚本和数据。）

我正在使用 Python 3.6、GPFlow 1.3.0 和 TensorFlow 1.13.1。任何帮助将非常感激！

我最近一直在使用 gpflow，特别是高斯过程回归，来对我可以访问每个输入的近似矩的过程进行建模。我有一个大小为 (N,1) 的输入值 X 的向量和一个大小为 (N,1) 的响应 Y 的向量。但是，我也知道，对于每个 (x,y) 对，特定 y 值的相关方差、偏度、峰度等的近似值。

由此，我知道了一些属性，这些属性告诉我使用每个数据点的适当可能性。在最简单的情况下，我只是假设所有可能性都是高斯的，并指定每个点的方差。我通过调整以下教程创建了我的代码的最小示例：https ://nbviewer.jupyter.org/github/GPflow/GPflow/blob/develop/doc/source/notebooks/advanced/varying_noise.ipynb#Demo- 2：-分组噪声方差。

上面的代码适用于高斯似然和已知方差。检查我的真实数据，我发现它经常出现偏差，因此，我想使用非高斯可能性对其进行建模，但我不确定如何根据我所知道的情况指定这些其他可能性参数。

所以我的问题是：鉴于这种设置，到目前为止，我如何调整我的代码以在每个步骤中包含非高斯似然性，特别是根据我已知的方差、偏度、峰度等与每个步骤相关联来指定和修复它们的参数个人 y 值？

我想用边缘化的超参数构建一个 GP。

我已经看到，这可以通过本笔记本gpflow 中提供的 HMC 采样器实现

但是，当我尝试运行以下代码作为第一步时（注意这是在 gpflow 0.5 上，旧版本），返回的样本是负数，即使长度尺度和方差需要是正数（负值将是无意义的）。

输出：

我不太了解 HMC 采样的详细信息，但我希望采样的后验超参数是正的，我检查了代码，它似乎可能与 Log1pe 变换有关，尽管我自己没有弄清楚。
对此有任何提示吗？

我意识到 GPFlow 的 Tensorflow 1 -> 2 转换仍在进行中，但我想知道目前在 TF2 下使用 GPFlow 的最佳方法是什么。我希望在接下来的几周内使用它进行教学，并希望在 TF2 中工作。目前，甚至很难将两者安装在一起。我已经尝试了 TF2 RC1、GPflow master、nightlies 等的各种组合。感谢任何建议。

是否可以通过字典向 m.predict_y 提供输入？类似于计算对数似然的示例中的内容：

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），

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。

基本上，我想知道下面的代码是否安全。我想用来tf.py_function调用一些 scipy 代码，我想在其中评估调用会话的操作（包括设置变量）。原因是，我想使用一些 scipy 代码来做一些在 tensorflow 中难以编码的事情，但我不想中断计算图。我至少有两个例子：一个是在图中使用 LSODE 隐式 ODE 求解器，另一个是在图中使用 scipy 的强大最小化器（我正在考虑在需要重复求解 GP 的算法中调用 py_function 包装器内的 GPFlow 优化器优化问题）。

以下代码运行并返回我所期望的（值 1）。但我不知道它是否安全。我猜如果我还要使用x图中其他地方的值，它会给出不确定的行为。

在 gpflow1 我能够做到：

然后恢复模型

我看到有一种方法可以在 gpflow2 中检查点模型，但我不清楚如何在另一个会话中恢复检查点。

任何输入将不胜感激。

我有一个例子，我必须按顺序调用 predict 。在这种情况下，为什么 SVGP 预测会比 SGPR 更快？对于所有稀疏模型，预测的时间复杂度是否都相同，或者我错过了什么？这是我为测试它而运行的代码：