probability: 一個用於機率推理與統計分析並具備深度網路整合功能的函式庫

它解決了什麼問題

它提供了一個機率推理與統計分析的框架，允許開發者將機率方法與深度學習網路整合。透過利用硬體加速 (GPUs) 與分散式運算，它解決了在大規模範圍內進行複雜統計運算與推論的挑戰。

運作原理

該函式庫採用分層架構：

• Layer 0 (Numerical Operations): 利用 TensorFlow 的數值運算，特別是 LinearOperator 類別以實現高效的無矩陣實作。
• Layer 1 (Statistical Building Blocks): 提供大量的機率分佈 (tfp.distributions) 以及稱為 Bijectors 的隨機變數可逆轉換 (tfp.bijectors)。
• Layer 2 (Model Building): 能夠建立相互依賴變數上的聯合分佈，以及包含不確定性的機率神經網路層。
• Layer 3 (Probabilistic Inference): 實作了用於近似積分的演算法，包括用於採樣的 Markov chain Monte Carlo (MCMC)、用於最佳化的變分推論 (VI)，以及專門的隨機最佳化器。

此外，當與 JAX 搭配使用時，該函式庫可以作為「Tensor-friendly Probability」運作。

對象是誰

它是為從事機率機器學習、貝氏神經網路與複雜統計建模，且需要 TensorFlow 或 JAX 擴展能力的研發人員與開發者所設計。

重點特色

• 硬體加速: 支援用於大規模模型的 GPUs 與分散式運算。
• 靈活的底層架構: 同時支援 TensorFlow 與 JAX。
• 全面的工具集: 包含從基礎分佈到進階 MCMC 與變分推論演算法的一切工具。
• 不確定性整合: 提供機率層以為標準神經網路功能增加不確定性。