在TensorFlow概率中形成条件分布

Question

我正在使用Tensorflow概率来构建一个VAE，其中包括图像像素以及其他一些变量。 VAE的输出：

tfp.distributions.Independent(tfp.distributions.Bernoulli(logits), 2, name="decoder-dist")

我试图了解如何基于此来形成其他条件分布，可以与推理方法（MCMC或VI）一起使用。假设上面的输出是P（A，B，C | Z），我将如何利用该分布形成可以进行推理的后验P（A | B，C，Z）？我一直在尝试通读文档，但是在抓取它们时遇到了一些麻烦。

Answer 1

您问题的答案在很大程度上取决于您要在其中进行调节的联合模型的性质。关于该主题的文章很多，总之，这是一个非常棘手的问题：)。如果不了解问题的更多细节，几乎不可能推荐有用的通用推理过程。但是，我们在TFP存储库中确实有很多示例（脚本和Jupyter / colab笔记本）：https://github.com/tensorflow/probability/tree/master/tensorflow_probability/examples

特别是，

• Hierarchical Linear Model示例，它是一种Rosetta石头，展示了如何在TFP，R和Stan中使用汉密尔顿蒙特卡洛（MCMC技术）进行后验推断。

• Linear Mixed Effects Model示例，展示了如何使用VI解决标准LME问题，

在许多其他事物中。您可以单击任何这些笔记本顶部的“在Google Colab中运行”链接，以在https://colab.research.google.com上打开并在其上运行。

也请随时通过tfprobability@tensorflow.org与我们联系。这是public Google Group，用户可以与直接建立TFP的团队互动。如果您在此处向我们提供了有关您想做什么的更多信息，我们很乐意为您提供有关TFP建模和推断的指导。

希望这至少为正确的方向提供了一个起点！