pymc.近似

class pymc.Approximation(groups, model=None)

分组近似的包装器

包装组列表，创建一个 Approximation 实例，该实例收集所有组中的采样变量，同时收集显式变分推断所需的 logQ。

参数:

groups: list[Group]

列表的 Group 实例。它们应该包含所有模型变量

模型: 模型

参见

组

注释

一些用于单组近似的快捷方式是可用的：

• MeanField

• FullRank

• 经验

方法

Approximation.__init__(groups[, model])
Approximation.collect(item)
Approximation.get_optimization_replacements(s, d)	Dev - 对 logP 的优化。
Approximation.make_size_and_deterministic_replacements(s, d)	Dev - 根据样本大小和确定性标志创建正确的替换
Approximation.rslice(name)	Dev - 为命名随机变量进行矢量化采样，无需调用 pytensor.scan。
Approximation.sample([draws, random_seed, ...])	从变分后验中抽取样本。
Approximation.sample_node(node[, size, ...])	给定的节点或节点在共享的后验分布上采样
Approximation.set_size_and_deterministic(...)	Dev - 在通过 symbolic_sample_over_posterior() 或 symbolic_single_sample() 对节点进行采样后，可以分配并应用新的随机生成器到节点
Approximation.symbolic_sample_over_posterior(node)	Dev - 每次从后验分布中独立采样，对节点进行采样。
Approximation.symbolic_single_sample(node[, ...])	Dev - 从后验分布中对节点应用单个样本进行采样。
Approximation.to_flat_input(node[, ...])	Dev - 用存储在 self.inputs 中的扁平视图替换变量

属性

all_histograms
any_histograms
datalogp	Dev - 通过 pytensor.scan 计算模型中的 \(E_{q}(data term)\)，该计算可以在之后进行优化
datalogp_norm	开发 - 标准化 \(E_{q}(数据项)\)
ddim
has_logq
inputs
joint_histogram
logp	开发 - 通过 pytensor.scan 从模型中计算 \(E_{q}(logP)\)，该计算可以在之后进行优化
logp_norm	Dev - 归一化的 \(E_{q}(logP)\)
logq	开发 - 收集所有组的 logQ
logq_norm	开发 - 收集所有组的 logQ 并对其进行归一化
ndim
params
replacements	Dev - 从组中替换 PyMC 随机变量为近似的所有替换
sample_dict_fn
scale_cost_to_minibatch	Dev - 控制缩放成本到小批量的属性
single_symbolic_datalogp	开发 - 对于单个 MC 样本估计 \(E_{q}(数据项)\)，不需要 pytensor.scan，代码可以优化
single_symbolic_logp	Dev - 对于单个MC样本估计 \(E_{q}(logP)\)，不需要 pytensor.scan，代码可以优化
single_symbolic_varlogp	Dev - 对于单个MC样本估计 \(E_{q}(prior term)\) ，不需要使用 pytensor.scan ，代码可以优化
sized_symbolic_datalogp	Dev - 通过 pytensor.scan 从模型中计算采样数据项
sized_symbolic_logp	Dev - 通过 pytensor.scan 从模型计算采样的 logP
sized_symbolic_varlogp	Dev - 通过 pytensor.scan 计算模型中的采样先验项
symbolic_logq	开发 - 收集所有组的 symbolic_logq
symbolic_normalizing_constant	Dev - 用于 self.logq 的归一化常数，将其缩放到 minibatch_size 而不是 total_size。
symbolic_random
symbolic_randoms
varlogp	Dev - 通过 pytensor.scan 计算模型中的 \(E_{q}(prior term)\)，该计算可以在之后进行优化
varlogp_norm	Dev - 标准化 \(E_{q}(prior term)\)