TuringLang/Turing.jl

解決的問題

Turing.jl 提供了一種使用概率程式設計語言進行貝氏推論的方法。它允許使用者定義複雜的概率模型，然後應用各種推論演算法，根據觀測數據估計這些模型的參數。

工作原理

使用者使用 @model 宏來定義模型，該宏指定了先驗分布與似然度。隨後，該函式庫與更廣泛的 Julia 生態系統整合以執行推論。它使用 DynamicPPL.jl 進行模型規範，並連接到各種後端進行採樣與優化：

• Markov Chain Monte Carlo (MCMC): 使用抽象介面 (AbstractMCMC.jl) 與特定的採樣器，如 AdvancedHMC.jl 與 AdvancedMH.jl。
• Variational Inference: 透過 AdvancedVI.jl 處理。
• Maximum Likelihood/MAP Estimation: 利用來自 SciML 的 Optimization.jl 介面。
• Automatic Differentiation: 透過 DifferentiationInterface.jl 支援 ForwardDiff.jl 與 Mooncake.jl 等後端。

適用對象

需要用於貝氏建模與統計推論的靈活、通用概率程式設計語言的研究人員與數據科學家。

亮點

• 統一介面: 作為 TuringLang 生態系統中一系列工具的主要進入點。
• 靈活的模型規範: 使用 @model 宏進行直觀的模型定義。
• 多樣化的推論演算法: 支援 MCMC、變分推論與基於優化的估計。
• Julia 原生: 基於 Julia 語言構建，用於高性能數值計算。