class plate(name: str, size: Optional[int] = None, subsample_size: Optional[int] = None, subsample: Optional[torch.Tensor] = None, dim: Optional[int] = None, use_cuda: Optional[bool] = None, device: Optional[str] = None)[source]

基元plate

获取参数存储()→ pyro.params.param_store。ParamStoreDict[来源]

返回全局ParamStoreDict.

清除参数存储()→ 没有人[来源]

清除全局ParamStoreDict.

如果你在REPL工作，这尤其有用。我们建议在每个训练循环之前调用它(以避免从过去的模型中泄漏参数)，并且在每个单元测试之前调用它(以避免跨测试泄漏参数)。

参数(名字: 潜艇用热中子反应堆（submarine thermal reactor的缩写）, 初始张量: 可选择的[联盟[火炬。张量, 请求即付的[[], 火炬。张量]]] = 没有人, 限制: 火炬.分布.约束.约束 = 真实(), 事件_尺寸: 可选择的[（同Internationalorganizations）国际组织] = 没有人)→ 火炬。张量[来源]

将变量作为参数保存在param存储中。若要与参数存储或写入磁盘进行交互，请参见因素.

因素

返回

受约束的参数。可以通过以下方式访问基本的无约束参数pyro.param(...).unconstrained()，在哪里.unconstrained是weakref属性。

返回类型

火炬。张量

样品(名字: 潜艇用热中子反应堆（submarine thermal reactor的缩写）, 【数学】函数: pyro . distributions . torch _ distribution。火炬分配混合, *一个参数名, 无线电定向标选择器: 可选择的[火炬。张量] = 没有人, obs_mask: 可选择的[火炬。BoolTensor] = 没有人, 暗示: 可选择的[pyro.poutine.runtime.InferDict] = 没有人, **夸尔斯)→ 火炬。张量[来源]

调用随机函数fn额外的副作用取决于name和封闭上下文(例如推理算法)。看见Pyro简介进行讨论。

因素

  • 名字–样品名称
  • 【数学】函数–分配类别或功能
  • 无线电定向标选择器–观察数据(可选；应仅在推理的上下文中使用)可选地在kwargs中指定
  • obs_mask (弯曲件或者张量)–形状的可选布尔张量掩码，可通过fn.batch_shape。如果提供，mask=True的事件将取决于obs其余的事件将通过抽样来估算。这引入了一个名为name + "_unobserved"导游应该使用它。
  • 暗示 (词典)–kwargs中指定的推理参数的可选字典。有关详细信息，请参见推理文档。

返回

样品

因素(名字: 潜艇用热中子反应堆（submarine thermal reactor的缩写）, 对数因子: 火炬。张量, *, has_rsample: 可选择的[弯曲件] = 没有人)→ 没有人[来源]

Factor语句将任意对数概率因子添加到概率模型中。

警告

在指南中使用因子语句时，您需要指定因子语句是来自完全重新参数化的采样(例如重新参数化变量转换的雅可比行列式)还是来自非参数化的采样(例如离散样本)。对于完全重新参数化的情况，设置has_rsample=True；对于非参数化的情况，设置has_rsample=False。这仅在指南中需要，在模型中不需要。

因素

确定性的(名字: 潜艇用热中子反应堆（submarine thermal reactor的缩写）, 价值: 火炬。张量, 事件_尺寸: 可选择的[（同Internationalorganizations）国际组织] = 没有人)→ 火炬。张量[来源]

确定性语句来添加Delta名为的网站名字和价值价值追踪到。当我们想要记录完全由父母决定的值时，这很有用。例如:


x = pyro.sample("x", dist.Normal(0, 1))
x2 = pyro.deterministic("x2", x ** 2)


注意

场地不影响模型密度。这当前转换为sample()语句，但将来可能会改变。

因素

子样品(数据: 火炬。张量, 事件_尺寸: （同Internationalorganizations）国际组织)→ 火炬。张量[来源]

基于封闭对数据张量进行子采样的子采样语句plate南

这通常在以下参数上调用model()当子采样由自动执行时plates通过传递subsample或者subsample_size克沃格。例如，以下内容是等效的:


# Version 1. using indexing
def model(data):
    with pyro.plate("data", len(data), subsample_size=10, dim=-data.dim()) as ind:
        data = data[ind]
        # ...

# Version 2. using pyro.subsample()
def model(data):
    with pyro.plate("data", len(data), subsample_size=10, dim=-data.dim()):
        data = pyro.subsample(data, event_dim=0)
        # ...


因素

返回

的二次抽样版本data

返回类型

张量

classplate(name: str, size: Optional[int] = None, subsample_size: Optional[int] = None, subsample: Optional[torch.Tensor] = None, dim: Optional[int] = None, use_cuda: Optional[bool] = None, device: Optional[str] = None)[source]¶

班级盘子(名字: 潜艇用热中子反应堆（submarine thermal reactor的缩写）, 大小: 可选择的[（同Internationalorganizations）国际组织] = 没有人, 子样本_大小: 可选择的[（同Internationalorganizations）国际组织] = 没有人, 子样品: 可选择的[火炬。张量] = 没有人, 暗淡的: 可选择的[（同Internationalorganizations）国际组织] = 没有人, 使用_cuda: 可选择的[弯曲件] = 没有人, 设备: 可选择的[潜艇用热中子反应堆（submarine thermal reactor的缩写）] = 没有人)[来源]

碱基:pyro.poutine.plate_messenger.PlateMessenger

条件独立变量序列的构造。

plate可以作为生成器顺序使用，也可以作为上下文管理器并行使用(以前irange和iarange，分别为)。

连续的plate类似于range()因为它生成一系列值。

矢量化plate类似于torch.arange()因为它产生一个索引数组，通过该数组可以索引其他张量。plate不同于torch.arange()因为它还通知推理算法被索引的变量是有条件独立的。为此，plate是作为上下文管理器而不是函数提供的，用户必须保证中的所有计算plate上下文是有条件独立的:


with pyro.plate("name", size) as ind:
    # ...do conditionally independent stuff with ind...


此外，plate可以通过对索引进行二次采样并通知推理算法来缩放各种计算值，从而利用条件独立性假设。这通常用于对小批量数据进行二次抽样:


with pyro.plate("data", len(data), subsample_size=100) as ind:
    batch = data[ind]
    assert len(batch) == 100


缺席subsample_size=False这简单地产生了一个torch.arange(0, size)。如果0 < subsample_size <= size这产生了单个随机批次的大小索引subsample_size并将所有对数似然项缩放为size/batch_size在这种情况下。

警告

只有在上下文中所有计算都是有条件独立的情况下，这才是正确的。

因素

返回

一个可重用的上下文管理器torch.Tensor指数。

例子


>>> # This version declares sequential independence and subsamples data:
>>> for i in pyro.plate('data', 100, subsample_size=10):
...     if z[i]:  # Control flow in this example prevents vectorization.
...         obs = pyro.sample(f'obs_{i}', dist.Normal(loc, scale),
...                           obs=data[i])
 
>>> # This version declares vectorized independence:
>>> with pyro.plate('data'):
...     obs = pyro.sample('obs', dist.Normal(loc, scale), obs=data)
 
>>> # This version subsamples data in vectorized way:
>>> with pyro.plate('data', 100, subsample_size=10) as ind:
...     obs = pyro.sample('obs', dist.Normal(loc, scale), obs=data[ind])
 
>>> # This wraps a user-defined subsampling method for use in pyro:
>>> ind = torch.randint(0, 100, (10,)).long() # custom subsample
>>> with pyro.plate('data', 100, subsample=ind):
...     obs = pyro.sample('obs', dist.Normal(loc, scale), obs=data[ind])
 
>>> # This reuses two different independence contexts.
>>> x_axis = pyro.plate('outer', 320, dim=-1)
>>> y_axis = pyro.plate('inner', 200, dim=-2)
>>> with x_axis:
...     x_noise = pyro.sample("x_noise", dist.Normal(loc, scale))
...     assert x_noise.shape == (320,)
>>> with y_axis:
...     y_noise = pyro.sample("y_noise", dist.Normal(loc, scale))
...     assert y_noise.shape == (200, 1)
>>> with x_axis, y_axis:
...     xy_noise = pyro.sample("xy_noise", dist.Normal(loc, scale))
...     assert xy_noise.shape == (200, 320)


看见SVI第二部分进行长时间的讨论。

板材_堆叠(前缀: 潜艇用热中子反应堆（submarine thermal reactor的缩写）, 大小: 顺序[（同Internationalorganizations）国际组织], 最右边_dim: （同Internationalorganizations）国际组织 = - 1)→ 迭代程序[没有人][来源]

创建一个连续的堆栈plate带有尺寸的:

rightmost_dim - len(sizes), ..., rightmost_dim

因素

组件(名字: 潜艇用热中子反应堆（submarine thermal reactor的缩写）, nn _模块: 火炬. nn .模块.模块.模块, 更新模块参数: 弯曲件 = 错误的)→ 火炬. nn .模块.模块.模块[来源]

注册的所有参数torch.nn.Module用Pyro的param_store。结合使用ParamStoreDict save()和load()功能，这允许用户保存和加载模块。

注意

考虑改用PyroModule，是的更新替代产品pyro.module()它更好地支持:jitting，在C++中服务，以及将参数转换为随机变量。有关详细信息，请参见模块教程 .

因素

返回

火炬. nn .模块

随机模块(名字, nn _模块, 在先的；在前的, *一个参数名, **夸尔斯)[来源]

警告

这随机模块原语已被弃用，并将在未来的版本中被删除。使用PyroModule而不是创建贝叶斯模型torch.nn.Module实例。参见贝叶斯回归教程举个例子。

不推荐使用在模块的参数上放置一个priornn _模块。返回一个分布(可调用)nn。组件s，它在调用时返回一个采样的nn。组件.

因素

返回

返回采样模块的可调用函数

屏障(数据: 火炬。张量)→ 火炬。张量[来源]

实验确保中的所有值data是基础，而不是懒惰的爱好者或价值观。这在与结合使用时非常有用pyro.poutine.collapse().

启用_验证(is _验证: 弯曲件 = 真实的)→ 没有人[来源]

在Pyro中启用或禁用验证检查。验证检查提供有用的警告和错误，例如NaN检查、验证分布参数和支持值、检测ELBO和MCMC的不正确使用。由于这些检查中的一些可能是昂贵的，您可能想要禁用成熟模型的验证以加速推断。

默认行为模仿Python的assert语句:默认情况下，验证是打开的，但是如果Python在优化模式下运行(通过python -O).同样，默认行为取决于Python的全局__debug__价值通过pyro.enable_validation(__debug__).

对于所有支持PyTorch jit的推理算法，在jit编译期间会暂时禁用验证。我们建议用非JIT化的推理算法开发模型以简化调试，一旦模型正确，就可以选择转移到JIT化的推理。

因素

is _验证 (弯曲件)–(可选；默认为True)是否启用验证检查。

验证_启用(is _验证: 弯曲件 = 真实的)→ 迭代程序[没有人][来源]

临时启用/禁用验证检查时有用的上下文管理器。

因素

is _验证 (弯曲件)–(可选；默认为真)临时验证检查覆盖。

找到；查出(【数学】函数=没有人, 忽略_警告=错误的, jit _选项=没有人)[来源]

懒惰的替代品torch.jit.trace()与调用的Pyro函数一起工作pyro.param().

实际的编译工件存储在compiled输出的属性。对此属性调用诊断方法。

示例:


def model(x):
    scale = pyro.param("scale", torch.tensor(0.5), constraint=constraints.positive)
    return pyro.sample("y", dist.Normal(x, scale))

@pyro.ops.jit.trace
def model_log_prob_fn(x, y):
    cond_model = pyro.condition(model, data={"y": y})
    tr = pyro.poutine.trace(cond_model).get_trace(x)
    return tr.log_prob_sum()


因素

  • 【数学】函数 (请求即付的)–要跟踪的函数。
  • 忽略_警告 (弯曲件)–是否忽略jit警告。
  • jit _选项 (词典)–要传递给的可选选项字典torch.jit.trace()，例如{"optimize": False}.