pymc.sampling.jax.sample_blackjax_nuts#
- pymc.sampling.jax.sample_blackjax_nuts(draws=1000, tune=1000, chains=4, target_accept=0.8, random_seed=None, initvals=None, model=None, var_names=None, progress_bar=False, keep_untransformed=False, chain_method='parallel', postprocessing_backend=None, postprocessing_vectorize='scan', idata_kwargs=None, adaptation_kwargs=None, postprocessing_chunks=None)[源代码]#
使用
blackjax库中的 NUTS 方法从后验分布中抽取样本。- 参数:
- 抽取 :
int, 默认值 1000python:int, 默认值 1000 要抽取的样本数量。默认情况下，调整后的样本数量会被丢弃。
- tune :
int, 默认值 1000python:int, 默认值 1000 调整的迭代次数。采样器在调整过程中会调整步长、缩放比例等。调整样本将额外抽取，数量由
draws参数指定。- 链条 :
int, 默认值为 4python:int, 默认值为 4 要采样的链数。
- target_acceptpython:float 在 [0, 1] 范围内。
步长调整到接近这个接受率。对于有问题的后验分布，像0.9或0.95这样的较高值通常效果更好。
- random_seedpython:int, RandomState 或 Generator, 可选
采样步骤中使用的随机种子。
- initvals: StartDict 或 Sequence[Optional[StartDict]]，可选
作为字典（或字典序列）提供的随机变量的初始值，将随机变量（按名称或引用）映射到所需的初始值。
- 模型 :
Model, 可选模型，可选 要从其采样的模型。该模型需要有自由随机变量。当在
with模型上下文中时，它默认为该模型，否则必须显式传递模型。- var_names : sequence 的
str，可选python:str 的 python:sequence，可选 要计算后验样本的变量名称。默认为后验中的所有变量。
- keep_untransformed : 布尔值，默认值
Falsebool, 默认 python:False 在后验样本中包含未转换的变量。默认为 False。
- chain_method :
str, 默认值为 “parallel”python:str, 默认值 “parallel” 指定样本应如何绘制。选项包括“并行”和“向量化”。
- postprocessing_backend: 可选[Literal[“cpu”, “gpu”]], 默认 None,
指定后处理应如何计算。gpu 或 cpu
- postprocessing_vectorize: Literal[“vmap”, “scan”], 默认 “scan”
如何向量化后处理：vmap 或顺序扫描
- idata_kwargs :
dict, 可选python:dict, 可选 用于
arviz.from_dict()的关键字参数。它还接受一个布尔值作为log_likelihood键的值，以指示不应在返回的对象中包含逐点对数似然。如果未在idata_kwargs中提供observed_data、constant_data、coords和dims的值，则从model参数推断这些值。如果提供了coords和dims，则使用它们来更新推断的字典。
- 抽取 :
- 返回:
InferenceDataArviZ
InferenceData对象包含后验样本，以及它们各自的样本统计和逐点对数似然值（除非使用idata_kwargs跳过）。