在TensorFlow概率中形成條件分布

Question

我正在使用Tensorflow概率構建包含圖像像素以及其他一些變量的VAE。 VAE的輸出：

tfp.distributions.Independent(tfp.distributions.Bernoulli(logits), 2, name="decoder-dist")

我試圖了解如何基於此來形成其他條件分布，可以與推理方法（MCMC或VI）一起使用。 假設上面的輸出是P（A，B，C | Z），我將如何利用該分布形成可以進行推理的后驗P（A | B，C，Z）？ 我一直在嘗試通讀文檔，但是在抓取它們時遇到了一些麻煩。

Answer 1

問題的答案很大程度上取決於您要在其中進行調節的聯合模型的性質。 關於該主題的文章很多，總之，這是一個非常棘手的問題：)。 如果不了解問題的更多細節，幾乎不可能推薦有用的通用推理過程。 但是，我們在這里的TFP回購中確實有很多示例（腳本和jupyter / colab筆記本）： https : //github.com/tensorflow/probability/tree/master/tensorflow_probability/examples

特別是

• 分層線性模型示例，它是一種Rosetta石，顯示了如何在TFP，R和Stan中使用漢密爾頓蒙特卡洛（MCMC技術）進行后驗推斷，

• 線性混合效果模型示例，顯示了如何使用VI解決標准LME問題，

等等。 您可以單擊任何這些筆記本頂部的“在Google Colab中運行”鏈接，以在https://colab.research.google.com上打開並在其上運行。

也請隨時通過電子郵件tfprobability@tensorflow.org與我們聯系。 這是一個公開的Google網上論壇 ，用戶可以在其中與直接建立TFP的團隊互動。 如果您在此處向我們提供了有關您想做什么的更多信息，我們很樂意提供有關TFP建模和推斷的指導。

希望這至少是朝正確方向邁出的第一步！