TopOpenSourceAI
EN

#684 · 主分类： 教育与研究

Bayesian-Neural-Networks

approximate-inference bayes-by-backprop bayesian-inference bayesian-neural-networks classification deep-learning hmc kronecker-factored-approximation langevin-dynamics local-reparametrization-trick mc-dropout mcmc out-of-distribution-detection pytorch regression reproducible-research sgld uncertainty uncertainty-neural-networks variational-inference

Bayes By Backprop、MC Dropout、SGLD、局部重参数化技巧、KF-Laplace、SG-HMC等的Pytorch实现

项目最后更新：10/20/23

在 GitHub 查看

GitHub Stars

2.0K

Forks数量

306

贡献者数量

4

许可证

MIT

收录理由

对于想弄明白深度网络里贝叶斯不确定性估计到底怎么运作的研究者和学生，这个仓库能提供很丰富的素材。它用 PyTorch 把主要的近似推断方法都实现了一遍：变分类的有 Bayes by Backprop 和局部重参数化技巧，采样类的有 SGLD 和哈密顿蒙特卡洛，还有像 MC dropout 和克罗内克因子拉普拉斯近似这类更省事的捷径。由于不同方法都跑在同样的 toy 和 UCI 回归基准以及 MNIST 分类任务上，你可以在不重新搭建环境的情况下直接对比它们各自的表现，而且 Colab 笔记本让你连本地安装都省了。想要在分类器或回归器上获得校准过的置信度分数或分布外检测能力的团队，可以把这些实现当成一个出发点。代码跟原始论文贴合得很紧，用来对照着啃理论确实很实用，不是那种只能照抄的代码。

相关文章

暂无针对该项目的文章。

如需补充新闻资讯、使用教程、应用测评等内容，欢迎 联系我们推荐选题或投稿。

同类热门项目

prompts.chat

前身为 Awesome ChatGPT Prompts。分享、发现和收集社区提示词。免费且开源——可自托管，为您的组织提供完全隐私。

#1

JavaGuide

Java 面试 & 后端通用面试指南，覆盖计算机基础、数据库、分布式、高并发、系统设计与 AI 应用开发

#2

system-prompts-and-models-of-ai-tools

精选流行AI助手和编码代理的系统提示、内部工具和AI模型集合。

#3

30-seconds-of-code

编程文章，助你提升开发技能

#4

generative-ai-for-beginners

21节课，开始使用生成式AI构建

#5