stripe/rainier

解决的问题

Rainier 提供了一个基于马尔可夫链蒙特卡洛（MCMC）的高性能 Scala API，用于贝叶斯推断。它允许用户构建具有连续参数的生成模型，从观测数据中推断后验分布，进而用于预测和决策。

工作原理

Rainier 使用静态的、类似 TensorFlow 的计算图，结合自动微分和快速的 CPU 执行。它完全用纯 Scala 实现，为数值计算生成优化的、非包装的、JIT 友好的 JVM 字节码。推断通过类似 Stan 和 PyMC3 的哈密顿蒙特卡洛（HMC）采样器的变体实现。

适用人群

在 JVM 生态系统（如使用 Spark 或 Hadoop 集群）中工作的开发人员和数据科学家，需要一个高性能的贝叶斯推断库，适用于数据可放入单台机器内存的模型。

主要亮点

• 通过优化的 JVM 字节码实现高性能 CPU 执行。
• 纯 Scala 实现，外部依赖极少，无 JNI 库。
• 带自动微分的静态计算图。
• 积极预计算数据以加速执行。
• 可轻松部署到 Spark 或 Hadoop 集群。