在我写的模型的一个步骤中，我必须计算数量的误差函数。我想做的事情看起来像这样：
from math import erf
import numpy as np
import pymc as pm
sig = pm.Exponential('sig', beta=0.1, size=10)
x = erf(sig ** 2)
此操作失败，因为erf对阵列无效。我试过了：
@pm.deterministic
def x(sig=sig):
return [erf(s) for s in sig]
但没有成功，我知道可以通过以下方式获得结果：
np_erf = np.vectorize(erf)
x = np_erf((sig ** 2).value)
但这似乎不是正确的方法，因为它不会产生pm.Deterministic而只会产生np.array。我怎么能这样做呢？ （PyMC是版本2.3）
编辑：为简洁起见，上面的示例进行了简化，以下是相关段落在实际代码中的含义。理想情况下，我希望这可以工作：
mu = pm.LinearCombination('mu', [...], [...])
sig2 = pm.exp(mu) ** 2
f = 1 / (pm.sqrt(np.pi * sig2 / 2.0) * erf(W / sig2))
但如果失败并显示消息TypeError: only length-1 arrays can be converted to Python scalars。走np.vectorize路线
np_erf = np.vectorize(erf)
f = 1 / (pm.sqrt(np.pi * sig2 / 2.0) * np_erf(W / sig2))
崩溃时出现相同的错误消息。列表理解
@pm.deterministic
def f(sig2=sig2):
return [1 / (pm.sqrt(np.pi * s / 2.0) * erf(W / s)) for s in sig2]
可以这样工作，但稍后会在此处的代码中导致错误：
@pm.observed(plot=True)
def y(value=df['dist'], sig2=sig2, f=f):
return (np.log(np.exp(-(value ** 2) / 2.0 / sig2) * f)).sum()
，错误为AttributeError: log。
我已经使用数值近似计算了误差函数，这意味着一般设置是正确的。直接使用erf函数会更好更清晰。
答案 0 :(得分：1)
我找到了解决方案。我没有意识到如果使用pymc.deterministic装饰器创建变量，传递给函数的参数是numpy.array，而不是pymc.Distribution。这允许numpy.vectorize函数并将其应用于变量。而不是
sig = pm.Exponential('sig', beta=0.1, size=10)
x = erf(sig ** 2)
你需要使用
sig = pm.Exponential('sig', beta=0.1, size=10)
np_erf = np_vectorize(erf)
@pm.deterministic
def x(sig=sig):
return np_erf(sig ** 2)
它有效。
答案 1 :(得分：0)
“没有成功”，你的意思是什么？错误是什么？
我注意到你没有在列表理解中将你的sigma放在一边。这是问题吗？