pymc.model.core.Deterministic

pymc.model.core.Deterministic(name, var, model=None, dims=None)

创建一个命名的确定性变量。

确定性节点只有在给定所有输入的情况下才是确定性的，即它们不会向模型中添加随机性。它们通常用于记录中间结果。

参数:

名称 : strstr

要在模型中注册的确定性变量的名称。

var : 类似张量tensor_like

变量计算的表达式。

模型 : Model, 可选模型，可选

要添加确定性变量的模型对象。如果提供 None ，则使用上下文堆栈中的当前模型。

dims : str 或 tuple 的 str，可选python:str 或 python:tuple of python:str, 可选

变量的维度名称。

返回:

var : 类似张量tensor_like

包装在 Deterministic 中的已注册命名变量。

注释

尽管添加一个 Deterministic 节点会迫使 PyMC 计算这个表达式，否则这个表达式可能会被优化掉，但这并不会带来性能成本。实际上，Deterministic 节点是在主计算图之外计算的，可以像没有 Deterministic 节点一样进行优化。而在 NUTS 步骤中，优化后的图可以被评估数千次，Deterministic 量只在步骤结束时计算一次，使用其他随机变量的最终值。

示例

确实，PyMC 允许随机变量的任意组合，例如在逻辑回归的情况下

with pm.Model():
    alpha = pm.Normal("alpha", 0, 1)
    intercept = pm.Normal("intercept", 0, 1)
    p = pm.math.invlogit(alpha * x + intercept)
    outcome = pm.Bernoulli("outcome", p, observed=outcomes)

但不会记住表达式 pm.math.invlogit(alpha * x + intercept) 已被赋值给变量 p 的事实。如果量 p 很重要，并且希望在采样轨迹中跟踪其值，那么可以使用一个确定性节点：

with pm.Model():
    alpha = pm.Normal("alpha", 0, 1)
    intercept = pm.Normal("intercept", 0, 1)
    p = pm.Deterministic("p", pm.math.invlogit(alpha * x + intercept))
    outcome = pm.Bernoulli("outcome", p, observed=outcomes)

从数学角度来看，这两种模型是完全等价的。然而，在第一种情况下，推断数据将仅包含变量 alpha、intercept 和 outcome 的值。在第二种情况下，它还将包含每个观测点 p 的采样值。