问题标签 [gpflow]

在 GPflow 2.0 中进行 GP 回归时，我想在长度尺度上设置硬边界（即限制长度尺度优化范围）。按照这个线程（在 GPflow 2.0 中设置超参数优化边界），我构建了一个 TensorFlow Bijector 链（见bounded_lengthscale下面的函数）。但是，下面的双射器链不会阻止模型在假定的范围之外进行优化。我需要改变什么才能使bounded_lengthscale函数对优化施加严格的限制？

下面是MRE：

谢谢！

使用 GPflow 2.0，我想用 Haversine 而不是欧几里得距离实现自定义的 Matern 5/2 内核。我在该类之上创建了一个自定义类gpflow.kernels.Matern52，其中包含一个scaled_squared_dist覆盖scaled_squared_euclid_dist从该类继承的函数。 Stationary

当前编写的类不会改变 Matern52 类；使用此HaversineKernel_Matern52内核的 GP 回归与使用 Matern52 内核的 GP 回归完全一样。

我需要改变什么才能使这个内核正确地重新计算 Haversine 距离？

这个问题建立在GPflow 问题 #969之上。

谢谢！

我正在按照此处的教程在 gpflow 中实现更改点内核。但是，我有 3 个输入和 1 个输出，我希望更改点内核仅位于第一个输入维度上，而其他标准内核位于其他两个输入维度上。我收到以下错误：

InvalidArgumentError：不兼容的形状：[2000,3,1] 与 [3,2000,1] [Op:Mul] 名称：mul/

下面是一个最小的工作示例。谁能让我知道我哪里出错了？

gpflow 版本 2.0.0.rc1

我正在尝试在 2D 空间 + 1D 时间上运行 GP 回归，大约 8000 个观察值和一个具有 4 个 Matern 3/2 协方差函数的复合内核——超过一个内核可以处理。

如果能够将 GPR 计算分布在多个节点上，而不是求助于变分 GP，那就太好了。这个 github issue解释了如何在 GPflow 1.0 中执行多线程，但我不是在寻找一种方法来并行化许多predict_f调用。

相反，我想在大型数据集上进行 GPR，这意味着反转一个大于单个内核可以处理的协方差矩阵。有没有办法为集群或云计算并行化？

当我尝试构建分层 GL-LVM 模型时，我遇到了一个奇怪的“ValueError：mean must be 1 dimensional”。基本上我正在尝试复制这篇论文：Hierarchical Gaussian Process Latent Variable Models using GPflow。

因此我实现了我自己的新模型如下：

该模型似乎适用于玩具示例：

但是当我尝试使用 bvh 文件（实际上是论文中的文件）时，失败并让我犯了错误。我还使用 Lawrence 的代码从mocap中读取了我的 bvh，我对其进行了修改以适应 python3

无论如何，已经几天了，我没有想法。我尝试了多种方法来强制我的平均数组“m”是一维的，但没有任何效果。我还尝试了第一篇 GPLVM 论文中的“three_phase_oil_flow”数据集，它也同样有效。

因此，我会假设我的模型是正确的，或者至少我进行了一些优化，并且认为可能是 bvh 读者可能是原因。但是数据对我来说似乎一切都很好......特别是我不明白为什么在强制使用多元函数时：

甚至使用 gpflow Zero 功能

它仍然给我带来了错误。任何帮助将不胜感激。

编辑感谢：Artem Artemev 如果有人想尝试重现其余代码： https ://github.com/michaelStettler/h-GPLVM

错误流：

我们已经训练了一个模型，并希望在几种不同的方法中使用它，每种方法都会改变它。但是，第一个方法调用会污染后续调用的模型。

理想情况下，我们只想对模型进行深度复制，然后将副本传递给变异方法。

这可能吗？还是有更好的选择？

我正在尝试以下内核：

当我运行它时：

我得到：

InvalidArgumentError（参见上文的追溯）：Cholesky 分解不成功。输入可能无效。[[节点 GPR-0b2840db-15/likelihood_1/Cholesky（定义在 /Users/mjg/anaconda3/lib/python3.6/site-packages/gpflow/models/gpr.py:72）]]

当我尝试使用定义为添加剂的内核时：

一切正常。X 和 Y 在这两种情况下都是标准化的。那么减法内核有什么问题呢？

我对 MNIST 数字进行分类，并且我想多次对每个类的概率（不是潜在函数）进行采样。但是，gp.predict_y仅给出一种情况的概率。

因此，我f_samples = gp.predict_f_samples从底层潜在函数中返回了许多示例。 现在，如何f_samples通过robust_max似然“挤压”？

我的 gp 代码：

GPflow 版本：1.5.1

GPflow 似乎只支持 SVGP 的多输出。是否可以将这种多输出支持用于其他模型（例如 SGPR）？例如：

如以下代码所示，我想根据给定的数据x和z. 但是，如图所示，GP的平均值等于0，内核的方差也等于0。我希望我能找到一些关于这个的线索......

编辑：