2

Implementing Dirichlet processes for Bayesian semi-parametric models (source: here ) で参照されているディリクレ プロセスの例を PyMC 3 で実装するために実装したいと思い ます。

pymc.deterministic この例では、デコレーターを使用して棒切れの確率が計算されます。

v = pymc.Beta('v', alpha=1, beta=alpha, size=N_dp)
@pymc.deterministic
def p(v=v):
    """ Calculate Dirichlet probabilities """

    # Probabilities from betas
    value = [u*np.prod(1-v[:i]) for i,u in enumerate(v)]
    # Enforce sum to unity constraint
    value[-1] = 1-sum(value[:-1])

    return value

 z = pymc.Categorical('z', p, size=len(set(counties)))

勾配計算に Theano を使用している PyMC 3 でこれをどのように実装しますか?

theano.scan編集：メソッドを使用して次の解決策を試しました：

with pm.Model() as mod:
    conc = Uniform('concentration', lower=0.5, upper=10)
    v = Beta('v', alpha=1, beta=conc, shape=n_dp)
    p, updates = theano.scan(fn=lambda stick, idx: stick * t.prod(1 - v[:idx]),
                             outputs_info=None,
                             sequences=[v, t.arange(n_dp)])
    t.set_subtensor(p[-1], 1 - t.sum(p[:-1]))
    category = Categorical('category', p, shape=n_algs)
    sd = Uniform('precs', lower=0, upper=20, shape=n_dp)
    means = Normal('means', mu=0, sd=100, shape=n_dp)
    points = Normal('obs',
                    means[category],
                    sd=sd[category],
                    observed=data)

    step1 = pm.Slice([conc, v, sd, means])
    step3 = pm.ElemwiseCategoricalStep(var=category, values=range(n_dp))
    trace = pm.sample(2000, step=[step1, step3], progressbar=True)

悲しいことに、これは本当に遅く、合成データの元のパラメーターを取得しません。

より良い解決策はありますか?これは正しいですか?

4

1 に答える 1

1

良い答えがあるかどうかはわかりませんが、代わりに theano ブラックボックス op を使用して、python コードで分布 (または決定論的) を記述できるようにすることで、おそらくこれを高速化できます。例: https://github.com/pymc-devs/pymc3/blob/master/pymc3/examples/disaster_model_arbitrary_deterministic.py

于 2014-09-15T10:54:31.927 に答える