probability: 一个用于概率推理和统计分析并具有深度网络集成的库

它解决了什么问题

它提供了一个用于概率推理和统计分析的框架，允许开发者将概率方法与深度学习网络集成。它通过利用硬件加速（GPUs）和分布式计算，解决了大规模执行复杂统计计算和推理的挑战。

它是如何工作的

该库采用分层架构：

• Layer 0 (Numerical Operations): 利用 TensorFlow 的数值操作，特别是 LinearOperator 类用于高效的无矩阵实现。
• Layer 1 (Statistical Building Blocks): 提供大量的概率分布 (tfp.distributions) 和被称为 Bijectors 的随机变量的可逆变换 (tfp.bijectors)。
• Layer 2 (Model Building): 支持在相互依赖的变量上创建联合分布，以及包含不确定性的概率神经网络层。
• Layer 3 (Probabilistic Inference): 实现用于近似积分的算法，包括用于采样的 Markov chain Monte Carlo (MCMC)，用于优化的 Variational Inference (VI)，以及专门的随机优化器。

此外，当与 JAX 一起使用时，该库可以作为 "Tensor-friendly Probability" 运行。

目标用户

它专为从事概率机器学习、贝叶斯神经网络和复杂统计建模的研究人员和开发者设计，这些用户需要 TensorFlow 或 JAX 的可扩展性。

亮点

• 硬件加速: 支持用于大规模模型的 GPUs 和分布式计算。
• 灵活的基底: 同时支持 TensorFlow 和 JAX。
• 全面的工具集: 包含从基础分布到高级 MCMC 和 Variational Inference 算法的一切内容。
• 不确定性集成: 提供概率层，为标准神经网络函数添加不确定性。