Пример Эдварда
Поскольку Edward устарело и требует более старой версии TensorFlow, можно создать выделенную виртуальную среду для следующего примера
$ python3 --version
Python 3.6.8
$ python3 -m venv edward
$ source edward/bin/activate
(edward) $ pip3 install --upgrade pip setuptools wheel
(edward) $ cat edward.txt
tensorflow==1.7
edward~=1.3
scipy~=1.2
pandas~=0.24
matplotlib~=3.0
(edward) $ pip3 install -r edward.txt
У меня есть очень простой минимальный рабочий пример использования гамильтониана Монте-Карло с Эдвардом по имени edward_old.py
#!/usr/bin/env python3
import numpy as np
import scipy.stats
import tensorflow as tf
import edward as ed
import pandas as pd
import matplotlib.pyplot as plt
def generate_samples(data, n_samples):
# Pick initial point for MCMC chains based on the data
low, med, high = np.percentile(data, (16, 50, 84))
mu_init = np.float32(med)
t_init = np.float32(np.log(0.5 * (high - low)))
# Build a very simple model
mu = ed.models.Uniform(-1.0, 1.0)
t = ed.models.Uniform(*np.log((0.05, 1.0), dtype=np.float32))
X = ed.models.Normal(
loc=tf.fill(data.shape, mu), scale=tf.fill(data.shape, tf.exp(t))
)
# Emperical samples of a sclar
q_mu = ed.models.Empirical(params=tf.Variable(tf.fill((n_samples,), mu_init)))
q_t = ed.models.Empirical(params=tf.Variable(tf.fill((n_samples,), t_init)))
# Run inference using HMC to generate samples.
with tf.Session() as sess:
inference = ed.HMC({mu: q_mu, t: q_t}, data={X: data})
inference.run(step_size=0.01, n_steps=10)
mu_samples, t_samples = sess.run([q_mu.params, q_t.params])
return mu_samples, t_samples
def visualize(samples, mu_grid, sigma_grid):
fig, ax = plt.subplots(1, 1, figsize=(6, 5))
ax.scatter(samples['mu'], samples['sigma'], s=5, lw=0, c='black')
ax.set_xlim(mu_grid[0], mu_grid[-1])
ax.set_ylim(sigma_grid[0], sigma_grid[-1])
ax.set_title('Edward')
ax.set_xlabel('$\mu$')
ax.set_ylabel('$\sigma$')
plt.savefig('edward_old.pdf')
def main():
np.random.seed(0)
tf.set_random_seed(0)
# Generate pseudodata from draws from a single normal distribution
dist_mean = 0.0
dist_std = 0.5
n_events = 5000
toy_data = scipy.stats.norm.rvs(dist_mean, dist_std, size=n_events)
mu_samples, t_samples = generate_samples(toy_data, n_events)
samples = pd.DataFrame({'mu': mu_samples, 'sigma': np.exp(t_samples)})
n_grid = 50
mu_grid = np.linspace(*np.percentile(mu_samples, (0.5, 99.5)), n_grid)
sigma_grid = np.linspace(*np.exp(np.percentile(t_samples, (0.5, 99.5))), n_grid)
visualize(samples, mu_grid, sigma_grid)
if __name__ == '__main__':
main()
, который дает график ниже через
(edward) $ python3 edward_old.py
Пример Edward2
Однако, когда я пытаюсь воспроизвести его, используя TensorFlow Probability и Edward2 со следующимenvironment
$ python3 --version
Python 3.6.8
$ python3 -m venv tfp-edward2
$ source tfp-edward2/bin/activate
(tfp-edward2) $ pip3 install --upgrade pip setuptools wheel
(tfp-edward2) $ cat tfp-edward2.txt
tensorflow~=1.13
tensorflow-probability~=0.6
scipy~=1.2
pandas~=0.24
matplotlib~=3.0
(tfp-edward2) $ pip3 install -r tfp-edward2.txt
и следующие изменения по сравнению с edward_old.py generate_samples в файле с именем edward2.py
#!/usr/bin/env python3
import numpy as np
import scipy.stats
import tensorflow as tf
import tensorflow_probability as tfp
from tensorflow_probability import edward2 as ed
import pandas as pd
import matplotlib.pyplot as plt
def generate_samples(data, n_samples):
# Pick initial point for MCMC chains based on the data
low, med, high = np.percentile(data, (16, 50, 84))
mu_init = np.float32(med)
t_init = np.float32(np.log(0.5 * (high - low)))
def model(data_shape):
mu = ed.Uniform(
low=tf.fill(data_shape, -1.0), high=tf.fill(data_shape, 1.0), name="mu"
)
t = ed.Uniform(
low=tf.log(tf.fill(data_shape, 0.05)),
high=tf.log(tf.fill(data_shape, 1.0)),
name="t",
)
x = ed.Normal(loc=mu, scale=tf.exp(t), name="x")
return x
log_joint = ed.make_log_joint_fn(model)
def target_log_prob_fn(mu, t):
"""Target log-probability as a function of states."""
return log_joint(data.shape, mu=mu, t=t, x=data)
step_size = tf.get_variable(
name='step_size',
initializer=0.01,
use_resource=True, # For TFE compatibility
trainable=False,
)
num_burnin_steps = 1000
hmc_kernel = tfp.mcmc.HamiltonianMonteCarlo(
target_log_prob_fn=target_log_prob_fn,
num_leapfrog_steps=5,
step_size=step_size,
step_size_update_fn=tfp.mcmc.make_simple_step_size_update_policy(
num_adaptation_steps=int(num_burnin_steps * 0.8)
),
)
# How should these be done?
q_mu = tf.random_normal(data.shape, mean=mu_init)
q_t = tf.random_normal(data.shape, mean=t_init)
states, kernel_results = tfp.mcmc.sample_chain(
num_results=n_samples,
current_state=[q_mu, q_t],
kernel=hmc_kernel,
num_burnin_steps=num_burnin_steps,
)
# Initialize all constructed variables.
init_op = tf.global_variables_initializer()
# Run the inference using HMC to generate samples
with tf.Session() as sess:
init_op.run()
states_, results_ = sess.run([states, kernel_results])
mu_samples, t_samples = states_[0][0], states_[1][0]
return mu_samples, t_samples
Запуск с
(tfp-edward2) $ python3 edward2.py
показывает, что есть некоторые очевидные проблемы.Я не думаю, что правильно формулирую эквивалент ed.models.Empirical, поэтому, если есть мысли по этому поводу или что-то еще, я поступаю неправильно, это было бы здорово.
Я пытался следовать " Обновление с Edward до Edward2"примеров уже, но я не смог понять их достаточно, чтобы перейти от примера, используемого там deep_exponential_family, к этому примеру.