Question

我正在尝试使用 pymc3 编写我自己的stochastic和deterministic变量，但 pymc2.3 的旧发布配方解释了如何我们可以参数化我们的变量不再有效。例如，我试图使用这种direct方法，但它失败了：

def x_logp(value, x_l, x_h):
    if ((value>x_h) or (value<x_l)):
        return -np.inf
    else:
        return -np.log(x_h-x_l+1)
def x_rand(x_l,x_h):
    return np.round((x_h-x_l)*np.random.random_sample())+x_l

Xpos=pm.stochastic(logp=x_logp,
                   doc="X position of halo center ",
                   observed=False, 
                   trace=True,
                   name='Xpos',
                   random=x_rand,
                   value=25.32,
                   parents={'x_l':0,'x_h'=500},
                   dtype=float64,
                   plot=True,
                   verbose=0)

我收到以下错误消息：

ERROR: AttributeError: 'module' object has no attribute 'Stochastic' [unknown]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'module' object has no attribute 'Stochastic'

我想知道如何在pymc3中定义自己的先验或可能性，例如，使用装饰器和可用的pymc分布？

Answer 1

基本上有两种方法可以添加自定义密度：

Theano表达式（可以使用基于渐变的采样器）

您可以使用DensityDist，例如： https://github.com/pymc-devs/pymc/blob/master/pymc/examples/custom_dists.py
Blackbox python函数（只有Metropolis或Slice等非渐变采样器）

Theano有一个你可以使用的装饰器：


@theano.compile.ops.as_op(itypes=[t.lscalar, t.dscalar, t.dscalar],otypes=[t.dvector])
def rate(switchpoint,early_mean, late_mean):
    ''' Concatenate Poisson means '''
    out = empty(years)
    out[:switchpoint] = early_mean
    out[switchpoint:] = late_mean
    return out

取自此示例：https://github.com/pymc-devs/pymc/blob/master/pymc/examples/disaster_model_arbitrary_determinisitc.py

确定性可以通过组合随机变量直接完成，或者，如果您希望它们显示在跟踪中，例如使用pm.Determinstic('sum', alpha + beta)。

用pymc3定义随机和确定性变量

1 个答案: