pymc.FullRank#

class pymc.FullRank(*args, **kwargs)[源代码]#

单组满秩近似

全秩近似于后验分布，其中多元高斯族被拟合以最小化与真实后验的KL散度。与MeanField方法相比，考虑了变量之间的相关性。该方法的主要缺点是计算成本。

方法

`FullRank.__init__`(args, *kwargs)
`FullRank.collect`(item)
`FullRank.get_optimization_replacements`(s, d)	Dev - 对 logP 的优化。
`FullRank.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
`FullRank.rslice`(name)	Dev - 为命名随机变量进行矢量化采样，无需调用 pytensor.scan。
`FullRank.sample`([draws, random_seed, ...])	从变分后验中抽取样本。
`FullRank.sample_node`(node[, size, ...])	给定的节点或节点在共享的后验分布上采样
`FullRank.set_size_and_deterministic`(node, s, d)	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
`FullRank.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。
`FullRank.symbolic_single_sample`(node[, ...])	Dev - 从后验分布中对节点应用单个样本进行采样。
`FullRank.to_flat_input`(node[, more_replacements])	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 \(E_{q}(prior term)\)