معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A user-centered Python package for differentiable probabilistic inference

ویژگی	مقدار
سیستم عامل	-
نام فایل	brancher-0.3.5
نام	brancher
نسخه کتابخانه	0.3.5
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Brancher development team
ایمیل نویسنده	info@brancher.org
آدرس صفحه اصلی	https://brancher.org/
آدرس اینترنتی	https://pypi.org/project/brancher/
مجوز	MIT

# Brancher: A user-centered Python package for differentiable probabilistic inference Brancher allows to design and train differentiable Bayesian models using stochastic variational inference. Brancher is based on the deep learning framework PyTorch. ## Building probabilistic models ## Probabilistic models are defined symbolically. Random variables can be created as follows: ```python a = NormalVariable(loc = 0., scale = 1., name = 'a') b = NormalVariable(loc = 0., scale = 1., name = 'b') ``` It is possible to chain together random variables by using arithmetic and mathematical functions: ```python c = NormalVariable(loc = a**2 + BF.sin(b), scale = BF.exp(b), name = 'a') ``` In this way, it is possible to create arbitrarely complex probabilistic models. It is also possible to use all the deep learning tools of PyTorch in order to define probabilistic models with deep neural networks. ## Example: Autoregressive modeling ## ### Probabilistic model ### Probabilistic models are defined symbolically: ```python T = 20 driving_noise = 1. measure_noise = 0.3 x0 = NormalVariable(0., driving_noise, 'x0') y0 = NormalVariable(x0, measure_noise, 'x0') b = LogitNormalVariable(0.5, 1., 'b') x = [x0] y = [y0] x_names = ["x0"] y_names = ["y0"] for t in range(1,T): x_names.append("x{}".format(t)) y_names.append("y{}".format(t)) x.append(NormalVariable(b*x[t-1], driving_noise, x_names[t])) y.append(NormalVariable(x[t], measure_noise, y_names[t])) AR_model = ProbabilisticModel(x + y) ``` ### Observe data ### Once the probabilistic model is define, we can decide which variable is observed: ```python [yt.observe(data[yt][:, 0, :]) for yt in y] ``` ### Autoregressive variational distribution ### The variational distribution can have an arbitrary structure: ```python Qb = LogitNormalVariable(0.5, 0.5, "b", learnable=True) logit_b_post = DeterministicVariable(0., 'logit_b_post', learnable=True) Qx = [NormalVariable(0., 1., 'x0', learnable=True)] Qx_mean = [DeterministicVariable(0., 'x0_mean', learnable=True)] for t in range(1, T): Qx_mean.append(DeterministicVariable(0., x_names[t] + "_mean", learnable=True)) Qx.append(NormalVariable(BF.sigmoid(logit_b_post)*Qx[t-1] + Qx_mean[t], 1., x_names[t], learnable=True)) variational_posterior = ProbabilisticModel([Qb] + Qx) model.set_posterior_model(variational_posterior) ``` ### Inference ### Now that the models are specified we can perform approximate inference using stochastic gradient descent: ```python inference.perform_inference(AR_model, number_iterations=500, number_samples=300, optimizer="SGD", lr=0.001) ```

نیازمندی

مقدار	نام
>="3.7"	python-version
>=1.15.4	numpy
>=0.23.4	pandas
>=3.0.2	matplotlib
>=0.9.0	seaborn
>=1.1.0	scipy
>=4.28.1	tqdm

نحوه نصب

نصب پکیج whl brancher-0.3.5:

pip install brancher-0.3.5.whl

نصب پکیج tar.gz brancher-0.3.5:

pip install brancher-0.3.5.tar.gz