pymc.logp

pymc.logp(rv, value, warn_rvs=None, **kwargs)

为随机变量的对数概率创建一个图。

参数:

rvTensorVariable

value : 类似张量tensor_like

应与随机变量（rv）具有相同类型（形状和数据类型）。

warn_rvs : 布尔值，默认值 Truebool, 默认 python:True

如果在 logp 图中发现 RVs，则发出警告。当一个变量以其他随机变量为输入时，可能会发生这种情况。在这种情况下，这些随机变量应替换为其各自的值。pymc.logprob.conditional_logp 也可以作为替代方案使用。

返回:

logpTensorVariable

Raises:

RuntimeError

如果无法推导出 logp。

示例

创建一个编译函数，用于计算变量的对数概率

import pymc as pm
import pytensor.tensor as pt

mu = pt.scalar("mu")
rv = pm.Normal.dist(mu, 1.0)

value = pt.scalar("value")
rv_logp = pm.logp(rv, value)

# Use .eval() for debugging
print(rv_logp.eval({value: 0.9, mu: 0.0}))  # -1.32393853

# Compile a function for repeated evaluations
rv_logp_fn = pm.compile_pymc([value, mu], rv_logp)
print(rv_logp_fn(value=0.9, mu=0.0))  # -1.32393853

推导随机变量变换的图

import pymc as pm
import pytensor.tensor as pt

mu = pt.scalar("mu")
rv = pm.Normal.dist(mu, 1.0)
exp_rv = pt.exp(rv)

value = pt.scalar("value")
exp_rv_logp = pm.logp(exp_rv, value)

# Use .eval() for debugging
print(exp_rv_logp.eval({value: 0.9, mu: 0.0}))  # -0.81912844

# Compile a function for repeated evaluations
exp_rv_logp_fn = pm.compile_pymc([value, mu], exp_rv_logp)
print(exp_rv_logp_fn(value=0.9, mu=0.0))  # -0.81912844

定义一个自定义分布的 logp

import pymc as pm
import pytensor.tensor as pt

def normal_logp(value, mu, sigma):
    return pm.logp(pm.Normal.dist(mu, sigma), value)

with pm.Model() as model:
    mu = pm.Normal("mu")
    sigma = pm.HalfNormal("sigma")
    pm.CustomDist("x", mu, sigma, logp=normal_logp)