在我的模型中，我需要使用复杂的 python 函数从一组父变量中获取确定性变量的值。

有可能这样做吗？

以下是一个 pyMC3 代码，它显示了我在简化情况下尝试做的事情。

当我运行此代码时，在 y_hat 阶段出现错误，因为int()函数内部的FindFromGrid(x,w,z)函数需要整数而不是 FreeRV。

从预先计算的网格中查找y_hat很重要，因为我的 y_hat 真实模型没有要表达的分析形式。

我之前曾尝试使用 OpenBUGS，但在这里我发现在 OpenBUGS 中无法做到这一点。PyMC 有可能吗？

更新

基于 pyMC github 页面中的示例，我发现我需要将以下装饰器添加到我的FindFromGrid(x,w,z)函数中。

这似乎解决了上述问题。但我不能再使用 NUTS 采样器了，因为它需要渐变。

大都会似乎没有融合。

在这种情况下，我应该使用哪种步骤方法？

不确定我是在做一些愚蠢的事情还是 pymc3 有错误，但是尝试将 T 分布拟合到正常值我得到了自由度数（0.18 到 0.25，我期望值很高，至少 4-5）。当然，如果我尝试具有合理数量的自由度（例如 3 或 5）的 T 分布，我会得到同样的错误。

你能建议一些修复（改变先验，抽样方法）吗？

我目前使用 scipy.optimize.minimize 和 scipy.optimize.leastsq 对我的数据集执行非线性回归。我想使用 PyMC(3) 来研究拟合过程中涉及的所有参数的后验。我在 SO 上遇到了这个先前的答案。

这是一个很好的例子，我看到的大多数其他例子都是线性回归。但是，该示例并不完全适合我的目的。我的模型具有可变数量的参数，我将拟合其中的一个子集。该子集通常在 1 到 20 个参数的范围内，但有时更多。使用 scipy 最小化器，这些不同的参数以 1D np.ndarray，p 的形式传递给成本函数，例如

在上面给出的链接中，@pymc.deterministic 装饰的高斯函数具有关键字参数。这对我来说是不切实际的，因为同一个代码块需要处理不同（和相当大）数量的参数。有没有办法提供参数向量？我还必须为每个参数提供一个先验列表。但是，我有每个参数 [(min, max)...] 的下限和上限列表，所以这不是问题。

我在使用 pymc3 从 Dirichlet/多项式分布中采样时遇到问题。我尝试创建一个简单的测试用例，使用 n=2 的 Dirichlet/Multinomial 重新创建 Beta/Binomial，但我无法让它工作。

下面我有一些适用于二项式但不适用于多项式的代码。一个明显的区别是多项式模型受到更多约束：即开始时，二项式模型中的评分设置为 10，而多项式模型中的评分设置为 [10,10]。pymc3 Dirichlet 代码确实说“只有第一个k-1元素x是预期的”，但在我的代码中似乎只有形状 2 的数组有效。

输出显示num_friends并rating在二项式情况下被采样，但不是在多项式情况下。friends_ratings正在两者中进行采样。谢谢！

哦，还会Dirichlet('d', np.array([1,1]))因“浮点错误 8”而崩溃。仅当传入两个值为 1 的整数时，它似乎才会失败。np.array([1.,1.])有效。

输出：

是否有内置方法可以将最高密度间隔添加到 pymc3 中的跟踪图？

我想直接在我的跟踪图中显示 HDI，最好是带有标签。基本上，我想制作一个后验分布图，类似于“做贝叶斯数据分析”一书中的那些：

我不想重新发明可能已经在 pymc3 中实现的东西。

我正在尝试通过并行化加速 pymc3 采样，但我只看到了适度的好处。

我能够在 i7 MacBook Pro 上将总运行时间从 25 分钟 (njobs=1) 减少到 13 分钟 (njobs=6)。由于 pymc 实际开始采样大约需要 4 分钟，因此增加幅度相对较小。

问题是 - 有没有人成功地将 GPU 与 pymc3 一起使用，对于需要 6-8 分钟采样的模型，我可以获得多少好处？（我的 MacBook 有 nvidia GT 750M 2Gb）

我正在尝试在 PyMC3 中对多个链进行采样。在 PyMC2 我会做这样的事情：

我应该如何在 PyMC3 中做同样的事情？我看到'sample'方法中有一个'njobs'参数，但是当我为它设置一个值时它会抛出一个错误。我想使用采样链来获得“pymc.gelman_rubin”输出。

如何在 PyMC3 中定义自定义可能性？在 PyMC2 中，我可以使用@pymc.potential. 我尝试pymc.Potential在 PyMC3 中使用，但是，布尔运算似乎无法应用于参数（当我这样做时出现这样的错误）。例如，以下代码不起作用：

我不可能将可能性内的所有比较都更改为 Theano 语法（即 theano.tensor.{lt,le,eq,neq,gt,ge}）。无论如何要使用定义类似于 PyMC2 的似然函数吗？

我正在尝试在 PyMC3 上重现本教程的结果（请参阅 LASSO 回归）。正如对此 reddit线程所评论的那样，前两个系数的混合并不好，因为变量是相关的。

我尝试在 PyMC3 中实现它，但在使用哈密顿采样器时它没有按预期工作。我只能让它与 Metropolis 采样器一起工作，它可以达到与 PyMC2 相同的结果。

我不知道这是否与拉普拉斯算子达到峰值（0 处的不连续导数）这一事实有关，但它与高斯先验非常吻合。我尝试使用或不使用 MAP 初始化，结果始终相同。

这是我的代码：

这是我得到的错误：

我做错了什么还是 NUTS 采样器不应该在这样的情况下工作？

我正在尝试使用具有复杂似然函数的 PyMC3：

第一个问题：这可能吗？

这是我使用Thomas Wiecki 的帖子作为指南的尝试：

这会产生以下关于 y_est 表达式的消息：

TypeError: ('Bad input argument to theano function with name ":42" at index 0(0-based)', '期望一个类似数组的对象，但找到了一个变量：也许你正试图在一个 (可能共享）变量而不是数字数组？'）

我已经克服了各种其他障碍才能走到这一步，这就是我卡住的地方。那么，如果我的第一个问题的答案是“是”，那么我是否走在正确的轨道上？任何指导都会有所帮助！

注意这是我发现的一个类似问题，还有另一个。

免责声明：我对此很陌生。我之前唯一的经验是成功重现 Thomas 帖子中的线性回归示例。我还成功运行了 Theano 测试套件，所以我知道它可以工作。