edward

收录理由

对于想在深度学习里引入不确定性建模的研究者和统计学家来说，Edward 是个很顺手的工具。它把模型写成概率程序，然后用多种推断算法去拟合，而不是死板地套用一条固定的训练流程。模型可以拆成有向图模型、通过 TensorFlow 和 Keras 搭建的神经网络，以及贝叶斯非参数方法这些熟悉的组件，推断方面既能选变分法，也能用哈密顿蒙特卡洛之类的采样器，还能组合出期望最大化这样的混合方案。当你在验证一个新想法、想看看不同推断方式在同一模型上表现有何差异时，这种灵活性特别有价值。Edward 构建在 TensorFlow 的计算图之上，自动微分、CPU/GPU 执行、分布式训练这些能力都保留着，不过它更偏向研究用途的库，而不是托管服务，适合那些愿意自己动手把各个环节串起来的团队。