невозможно использовать API TensorFlow_probability для выборки определенной вероятности (TypeError: __init __ () отсутствует 1 обязательный позиционный аргумент: 'value_index') - PullRequest
Новая
       23

невозможно использовать API TensorFlow_probability для выборки определенной вероятности (TypeError: __init __ () отсутствует 1 обязательный позиционный аргумент: 'value_index')

0 голосов
/ 28 июня 2019

Я хочу использовать API TensorFlow_probability, чтобы выполнить выборку. Возьмем двумерное распределение Гаусса в качестве примера. Я не мог найти хороший учебник. Код, который я изменил с сайта TensorFlow, не работает. 

import tensorflow as tf
import tensorflow_probability as tfp
import numpy as np

tf.enable_eager_execution()
def unnormalized_log_prob(x): # Two dimensional unnormalized Gaussian
    #dim x= batch size,vec size?
    kernel = tf.Tensor([[1.,0.],[0.,10.]], dtype = tf.float32)
    mu = tf.Tensor([1.,5.], dtype = tf.float32)
    return -0.5*tf.matmul((x-mu), tf.matmul(tf.inverse(kernel), tf.transpose(x-mu)))

# Initialize the HMC transition kernel.
num_results = int(10e3)
num_burnin_steps = int(1e3)
adaptive_hmc = tfp.mcmc.SimpleStepSizeAdaptation(
    tfp.mcmc.HamiltonianMonteCarlo(
        target_log_prob_fn=unnormalized_log_prob,
        num_leapfrog_steps=3,
        step_size=1.),
    num_adaptation_steps=int(num_burnin_steps * 0.8))

# Run the chain (with burn-in).
@tf.function
def run_chain():
  # Run the chain (with burn-in).
    samples, is_accepted = tfp.mcmc.sample_chain(
        num_results=num_results,
        num_burnin_steps=num_burnin_steps,
        current_state=np.array([[1.,1.],[3.,3.],[5.,5.]], dtype=np.float32),
        kernel=adaptive_hmc,
        trace_fn=lambda _, pkr: pkr.inner_results.is_accepted)

    sample_mean = tf.reduce_mean(samples)
    sample_stddev = tf.math.reduce_std(samples)
    is_accepted = tf.reduce_mean(tf.cast(is_accepted, dtype=tf.float32))
    return samples, sample_mean, sample_stddev, is_accepted

samples, sample_mean, sample_stddev, is_accepted = run_chain()

print('mean:{:.4f}  stddev:{:.4f}  acceptance:{:.4f}'.format(
    sample_mean.numpy(), sample_stddev.numpy(), is_accepted.numpy()))

Я ожидаю, что если я захочу взять три цепочки выборок из начального состояния [1., 1.] И [3., 3.], [5., 5.] Соответственно, он вернет тензор измерения [ 3, 10000,2]

...