快速上手 — TensorFlow Probability 内置概率编程教材

Posted 2021-04-24 TensorFlow

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了快速上手 — TensorFlow Probability 内置概率编程教材相关的知识，希望对你有一定的参考价值。

文 / Mike Shwe，Google TensorFlow Probability 产品经理、Josh Dillon，Google TensorFlow Probability 软件工程师、Bryan Seybold、Matthew McAteer 和 Cam Davidson-Pilon Google 软件工程师

刚开始接触概率编程？对 TensorFlow Probability (TFP) 还不熟悉？快来看看我们为您准备了什么。《黑客的贝叶斯方法》(Bayesian Methods for Hackers) 是一本入门级实践教程，现内置于 TFP 中，而且提供有许多示例。作为所有人可用的开源资源，该 TFP 版本对此前 PyMC3 中编写的版本做了补充。

教程中提供有大量关于《黑客的贝叶斯方法》的精华知识，而且演示了如何运用概率编程解决现实问题，即便是概率编程初学者也可以轻松上手。

人人可学的概率编程

贝叶斯方法虽非概率编程之必需，但它提供了一个直观的框架，可以用于表征信念并根据新数据对这些信念进行升级。《黑客的贝叶斯方法》以 TFP 作为基础，采用注重实践的方式教授这些方法。这本书是在 Google Colab 中编写的，欢迎您运行和修改其中的 Python 示例。

TensorFlow 团队构建的 TFP 面向希望对领域知识进行编码以理解数据并进行预测的数据科学家、统计学家、ML 研究人员和从业者。TFP 是在 TensorFlow 的基础上构建的 Python 库，可以在现代硬件上轻松结合概率模型和深度学习。TFP 让您能够：

以交互方式探索您的数据
快速评估不同模型
自动利用现代矢量化硬件加速器
轻松自信地发布。TFP 经过专业构建和测试，支持 Google Cloud 环境，还有活跃的开源社区提供支持

我们在相关博文中讨论过，概率编程的应用非常广泛，包括金融和油气行业等。为什么会这样？因为不确定性无处不在。现实世界的各种现象经常受到我们无法控制甚或并未意识到的种种外部因素的影响，就连我们完全了解的现象也是如此。如果忽略这些因素，就可能得出错误或至少是有误导性的结论。我们构建了人人可用的 TFP，用于模拟遍布我们周围的不确定性。

解决现实问题

许多贝叶斯教程侧重于解决有分析解法的简单问题，比如抛硬币和掷骰子。而《黑客的贝叶斯方法》虽然也是从这些问题开始，但却迅速转向更加现实的问题。其中的示例范围广泛，从了解宇宙现象到探测在线用户的行为变化等都有涉猎。

在本篇文章的余下篇幅中，我们将概括介绍一个著名的现实问题，该问题在书中第 2 章 “1986 年挑战者号航天飞机失事” 中有详细表述。

1986 年 1 月 28 日，在美国航天飞机的第 25 次飞行中，挑战者号航天飞机的两个固态火箭助推器中有一个由于 O 型密封圈失效而发生了爆炸。虽然参与任务的工程师就此前飞行中出现的损坏问题与 O 型密封圈制造商进行过多次沟通，但制造商认为这种风险在可接受的范围内 [1]。

下图绘制的是对此前航天飞机任务中七次 O 型密封圈损坏事故的观测结果，这是损坏事故与环境温度的函数（在 70 华氏度时，发生过两起事故）。

可以看到，随着温度降低，O 型密封圈的损坏比例会显著增加，但是没有明确的温度阈值，即低于某个温度，O 型密封圈很可能会失效。与大多数现实世界的现象一样，这个问题存在不确定性。我们想要确定在给定温度 t 时，O 型密封圈失效的概率是多少？

我们可以用一个逻辑函数，对 O 型密封圈在温度为 t 时的损坏概率 p 建模，具体如下：