我对使用张量流概率和角膜的变异推断能力拟合线性混合模型感兴趣。但是，我找不到关于如何执行此类分析的直接答案。使用TF概率中的回归示例（请参见Case 3 here），如果我们在模型中只有随机变量（示例是使用单个特征进行回归），我就能掌握如何拟合这些模型。在the示例here之后，我们有两个功能：地板（固定）和县（随机）。我的理解是，后者应该只传递给密集的可变层，而前者可以传递给常规的密集层。因此，我想我必须共同训练两个网络，一个用于固定网络，一个用于随机特征，以及一些如何合并其输出。
所以我的问题是： （1）如果将两者合而为一，是否可以对两者应用相同的损失函数？我经常看到均方误差，而在VI中使用负对数似然（我认为这等效于最大化下界的证据）。 （2）输入是否需要事先拆分并作为输入馈送到两个网络？