问题标签 [pymc3]

我是 PyMC3 的新手 这里有一些 PyMC2 - 我是否需要做一些特定的事情，比如在 Theano 中编译才能将其转换为 PyMC3 代码？

我收到一个错误，例如

我尝试了以下代码，但遇到了问题。我认为 .values 是问题所在，但我如何将其编码为 Theano 对象？

以下是我的数据源

这是有效的 PyMC2 代码：data_file = DATA_DIR + 'results_2014.csv'

我尝试移植到 PyMC3 :) 我包括了争论的代码。我定义了自己的数据目录等。

我得到一个错误，比如 values 不是 Theano 对象。我认为这是上面的 .values 部分。但我对如何将其转换为 Theano 张量感到困惑。张量让我感到困惑:)

为了清楚起见，错误是因为我误解了 PyMC3 语法中的某些内容。

我有一个模型，其中可能性涉及计算矩阵中所有项的总和

P = U exp(tD) U^-1

在哪里

UDU^-1 = Q

Q 是我的参数矩阵。如果我想在 PyMC3 中使用 NUTS，NUTS 必须能够计算 P 中所有元素相对于 Q 中每个元素的导数。这是否可以使用符号微分器在 PyMC3 使用的 Theano 中？

我正在尝试在 pymc3 中实现一个相当简单的模型。要点是我有一些数据是从一系列随机选择中生成的。选择可以被认为是多项式，并且该过程选择选择作为先前选择的函数。

类别的总体概率使用 Dirichlet 先验建模。

似然函数必须针对手头的数据进行定制。数据是过程输出的 0 和 1 列表。我已经在 pymc2 中成功制作了模型，你可以在这篇博文中找到它。这是一个为这个问题生成测试数据的python函数：

当我学习/迁移到 pymc3 时，我正在尝试将观察到的数据输入到自定义似然函数中，并且在此过程中遇到了几个问题。这可能是因为这是我第一次使用 Theano，但我希望有人能给一些建议。

这是我的代码（使用上面的 make 函数）：

我可以在大约一分钟左右找到 MAP（我的机器是 Windows 7，i7-4790 @3.6GHz）。MAP 与输入概率向量匹配良好，这至少意味着模型正确链接。

但是，当我尝试进行跟踪时，我的内存使用量猛增（高达几个 gig），实际上我还没有足够的耐心让模型完成编译。在跟踪之前，我已经等了 10 分钟 + NUTS 或 HMC 编译。但是，大都会步进工作得很好（并且比 pymc2 快得多）。

我是不是太希望 Theano 能够很好地处理非 theano 数据的 for 循环？有没有更好的方法来编写这段代码，以便 Theano 可以很好地使用它，或者我是否因为我的数据是自定义 python 类型而无法使用数组/矩阵操作进行分析而受到限制？

提前感谢您的建议和反馈。请让我知道可能需要澄清的内容！

我有一个分层模型，用于学习只有单个隐藏层的贝叶斯网络。网络参数分为 4 组输入到隐藏和隐藏到输出的权重和偏差。在每个参数组上定义一个高斯先验。超参数，这些先验的标准差，具有参数 alpha=1 的 Gamma 分布。和β= 1/60。输出噪声也是高斯噪声；Gamma(alpha=1., beta=200) 超过其标准偏差。NUTS 阶跃函数用于采样，其缩放参数设置为仅参数（不包括超参数）的最大后验。数据是一维的，来自 [0,1]，其中使用简单的一维正弦函数提供观察结果。我希望这组采样网络能够对数据进行插值，并在与这些观察点的距离增加时开始不同意/发散，从而创建类似于高斯过程模型产生的形状。令人惊讶的是，结果与我的预期不同。看起来一些烦人的约束阻止了采样器做得很好并从整个后部采样： （红线是 MAP 网络产生的，黑线是底层函数，3 个小红点是数据） pymc3 伙计们，你们对这个问题的原因有什么解释吗？我该如何解决？

更新：我按以下方式更改代码：首先，分配模型参数的test_values似乎很麻烦！但是没有 'test_value' 的值， find_MAP 不会收敛到正确的点，所以我删除了 test_value 分配并为 find_MAP() 提供了一个起点（initpoint）。其次，为了让一切更简单，我用 Half_Normals 替换了 Gamma 超先验。Step-method 也被 Metropolis 取代。知道示例函数如下所示： def sample(nHiddenUnts,X,Y): nFeatures = X.shape 1 with pm.Model() 作为模型：

绘制 15000 个样本后的结果是这样的： 只有当我在 initpoint（find_MAP 的起点）中将 NoiseSd 超参数和“noisSd”的标准差增加到 0.1 时，结果才会变成这样： 但是这么高噪音水平是不可取的。

出于比较目的，我想利用 PyMC3 之外的后验密度函数。

对于我的研究项目，我想了解 PyMC3 与我自己的定制代码相比的性能如何。因此，我需要将其与我们自己的内部采样器和似然函数进行比较。

我想我知道如何调用内部PyMC3后置，但是感觉很尴尬，我想知道是否有更好的方法。现在我正在手动转换变量，而我应该能够向 pymc 传递参数字典并获得后验密度。这可能以直接的方式吗？

非常感谢！

演示代码：

是否可以以简单的方式从 PyMC3 中用户提供的目标度量中进行采样？即我希望能够提供黑盒功能logposterior(theta)，grad_logposterior(theta)并从中采样，而不是在 PyMC3s 建模语言中指定模型。

过去几周我一直在尝试学习 PyMC，我的主要任务是使用它来构建 LDA 主题模型。我最初使用 PyMC2.3 https://stats.stackexchange.com/questions/104771/latent-dirichlet-allocation-in-pymc尝试了这个示例，但是对于一个非常简单的模型，它在一夜之间运行，甚至从未进入采样步骤. 因此，我已切换到 PyMC3。

由于随机变量是分类的，是否存在任何基本限制？有没有人用 PyMC3 成功创建过 LDA 模型？我在Unable to create lambda function in hierarchy pymc3 model 中找到了部分实现，但如果没有 Container，我无法让它工作，而且我认为原作者也无法做到。有谁知道我可以研究的任何资源以弄清楚如何构建它？

我正在尝试使用 PyMC3 实现 lda。

但是，在定义模型的最后一部分时，根据主题对单词进行采样，我不断收到错误消息：TypeError: list indices must be integers, not TensorVariable

如何解决问题？

代码如下：

任何帮助将非常感激！

我试图掌握贝叶斯统计数据pymc3

我运行此代码进行简单的线性回归

我不明白 trace 代表什么

如果我对贝叶斯理论足够了解，应该有一个belief函数可以得到alpha，beta并sigma输出它们组合的概率。

我怎样才能从变量中得到这个belief结构？trace