Question

我已经看到有关PyMC重播的问题的相关问题（例如https://stats.stackexchange.com/questions/95514/pymc-random-seed-doesnt-guarantee-the-same-posterior-samples），但我看到的答案并没有完全解决我的问题。

我已经设置了一个简单的贝叶斯线性回归模型，并运行了5个链，每次重新播种numpy随机数发生器，其标称值相同，为123456.我预计这些跟踪将是相同的，但这是不是这样的。四条输出轨迹相同，但其中一条是不同的。如果我重新运行代码，就会看到类似的行为。

我正在运行PyMC版本2.3.2。

代码：

import numpy as np
import pymc
import matplotlib.pyplot as plt

# Number of traces to run
n_trace = 5
itr = 50000
brn = 5000
thn = 5

# Generate artificial data
N = 100
intercept = 4
slope = 1.5
true_x = np.random.uniform(0, 50, N)
true_y = slope*true_x + intercept
data_y = true_y + np.random.normal(0, 5, size=len(true_y))

for i in xrange(n_trace):
    print '\nTrace {0} of {1}'.format(i+1, n_trace)

    # Re-seed random number generator
    pymc.numpy.random.seed(123456)

    # MODEL ===========================================================================
    # Define priors on "orphan" random variables
    sig_y = pymc.Uniform('sig_y', 0, 10)
    th0 = pymc.Normal('th0', mu=0, tau=0.0001)
    th1 = pymc.Normal('th1', mu=0, tau=0.0001)

    # Define deterministic linear predictor Xtrue -> Ytrue
    @pymc.deterministic
    def y_pred(x=true_x, th0=th0, th1=th1):
        return th0 + th1*x

    # Likelihood of observed y data
    y_obs = pymc.Normal('y', mu=y_pred, tau=1/sig_y**2, value=data_y, observed=True)

    M = pymc.MCMC(pymc.Model([th0, th1, sig_y, y_obs, y_pred, true_x]))
    M.sample(iter=itr, burn=brn, thin=thn, verbose=0)
    # MODEL ===========================================================================

    print '\nTrace {0}'.format(i+1)
    print('E[th0]:{0:8.3f}\tStd[th0]: {1:8.3f}'.format(M.trace(th0)[:].mean(), M.trace(th0)[:].std()))
    print('E[th1]:{0:8.3f}\tStd[th1]: {1:8.3f}'.format(M.trace(th1)[:].mean(), M.trace(th1)[:].std()))
    print('E[s_y]:{0:8.3f}\tStd[s_y]: {1:8.3f}'.format(M.trace(sig_y)[:].mean(), M.trace(sig_y)[:].std()))

输出（请注意，为清晰起见，我手动删除了进度条）：

>>> import PyMC_Ex1_LinReg as lr

Trace 1 of 5
E[th0]:   4.176 Std[th0]:    1.008
E[th1]:   1.515 Std[th1]:    0.037
E[s_y]:   5.031 Std[s_y]:    0.364

Trace 2 of 5
E[th0]:   4.191 Std[th0]:    1.044
E[th1]:   1.514 Std[th1]:    0.038
E[s_y]:   5.040 Std[s_y]:    0.368

Trace 3 of 5
E[th0]:   4.176 Std[th0]:    1.008
E[th1]:   1.515 Std[th1]:    0.037
E[s_y]:   5.031 Std[s_y]:    0.364

Trace 4 of 5
E[th0]:   4.176 Std[th0]:    1.008
E[th1]:   1.515 Std[th1]:    0.037
E[s_y]:   5.031 Std[s_y]:    0.364

Trace 5 of 5
E[th0]:   4.176 Std[th0]:    1.008
E[th1]:   1.515 Std[th1]:    0.037
E[s_y]:   5.031 Std[s_y]:    0.364
>>>

PyMC中的多个链 - 明显的不可重复性

0 个答案: