pymc.sampling.jax.sample_numpyro_nuts

pymc.sampling.jax.sample_numpyro_nuts(draws=1000, tune=1000, chains=4, target_accept=0.8, random_seed=None, initvals=None, model=None, var_names=None, progressbar=True, keep_untransformed=False, chain_method='parallel', postprocessing_backend=None, postprocessing_vectorize='scan', idata_kwargs=None, nuts_kwargs=None, postprocessing_chunks=None)

使用 numpyro 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。

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

是否在命令行中显示进度条。进度条显示完成百分比、每秒采样速度（SPS）以及预计的剩余时间直至完成（”预计到达时间”；ETA）。

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”

指定如何抽取样本。选项包括“顺序”、“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，则从 model 参数推断 observed_data、constant_data、coords 和 dims 的值。如果提供了 coords 和 dims，则它们用于更新推断的字典。

nuts_kwargs: dict, 可选

用于 numpyro.infer.NUTS() 的关键字参数。

返回:

InferenceData

ArviZ InferenceData 对象，包含后验样本及其相应的样本统计数据和逐点对数似然值（除非使用 idata_kwargs 跳过）。