dowhy.causal_prediction.models 包#
子模块#
dowhy.causal_prediction.models.networks 模块#
- The MNIST_MLP architecture is borrowed from OoD-Bench:
- @inproceedings{ye2022ood,
标题={OoD-Bench: 量化与理解分布外泛化的两个维度}, 作者={叶南扬, 李凯灿, 白浩月, 于润鹏, 洪兰青, 周峰伟, 李振国, 朱军}, 会议={CVPR}, 年份={2022}
}
- dowhy.causal_prediction.models.networks.Classifier(in_features, out_features, is_nonlinear=False)[source]#
- class dowhy.causal_prediction.models.networks.ContextNet(input_shape)[source]#
基础类：
Module初始化内部模块状态，由nn.Module和ScriptModule共享。
- forward(x)[来源]#
定义每次调用时执行的计算。
应该由所有子类覆盖。
注意
尽管前向传递的配方需要在此函数内定义，但之后应该调用
Module实例而不是这个，因为前者负责运行已注册的钩子，而后者则默默地忽略它们。
- training: bool#
- class dowhy.causal_prediction.models.networks.Identity[source]#
基础类：
Module一个身份层
初始化内部模块状态，由nn.Module和ScriptModule共享。
- forward(x)[来源]#
定义每次调用时执行的计算。
应该由所有子类覆盖。
注意
尽管前向传递的配方需要在此函数内定义，但之后应该调用
Module实例而不是这个，因为前者负责运行已注册的钩子，而后者则默默地忽略它们。
- training: bool#
- class dowhy.causal_prediction.models.networks.MLP(n_inputs, n_outputs, mlp_width, mlp_depth, mlp_dropout)[源代码]#
基础类：
Module只是一个多层感知器
初始化内部模块状态，由nn.Module和ScriptModule共享。
- forward(x)[来源]#
定义每次调用时执行的计算。
应该由所有子类覆盖。
注意
尽管前向传递的配方需要在此函数内定义，但之后应该调用
Module实例而不是这个，因为前者负责运行已注册的钩子，而后者则默默地忽略它们。
- training: bool#
- class dowhy.causal_prediction.models.networks.MNIST_CNN(input_shape)[源代码]#
基础类：
Module为MNIST手动调整的架构。 到目前为止我注意到的这个架构的奇怪之处： - 在特征中的均值池化后添加一个线性层会损害性能
RotatedMNIST-100 的泛化能力严重不足。
初始化内部模块状态，由nn.Module和ScriptModule共享。
- forward(x)[来源]#
定义每次调用时执行的计算。
应该由所有子类覆盖。
注意
尽管前向传递的配方需要在此函数内定义，但之后应该调用
Module实例而不是这个，因为前者负责运行已注册的钩子，而后者则默默地忽略它们。
- n_outputs = 128#
- training: bool#
- class dowhy.causal_prediction.models.networks.MNIST_MLP(input_shape)[来源]#
基础类：
Module初始化内部模块状态，由nn.Module和ScriptModule共享。
- forward(x)[来源]#
定义每次调用时执行的计算。
应该由所有子类覆盖。
注意
尽管前向传递的配方需要在此函数内定义，但之后应该调用
Module实例而不是这个，因为前者负责运行已注册的钩子，而后者则默默地忽略它们。
- training: bool#