如何在 PYMC3 中添加确定性向量运算？_python

如何在 PYMC3 中实现确定性向量运算？ 例如模型：

M ~ Unif(-5, 5)
S ~ Unif(0, |1 / M|)
data ~ Normal(M, S)

M 是高斯观测值的平均值，S 是标准差。 假设标准偏差均匀分布在 [0, |1/M|]（当 M 为负时必需的绝对值）。

这段代码：

import pymc3 as pm
import numpy as np
size = 20
with pm.Model() as model:
    # M ~ Unif(-5, 5)
    M = pm.Uniform("M", -5., 5., shape=size)
    # S ~ Unif(0, |1 / M|)
    # how to divide by vector and take abs val?
    S = pm.Uniform("S", np.zeros(size), abs(1. / M), shape=size)
    data = pm.Normal("data", M, sd=S, shape=size)

有错误：

  File "/Users/mvd/anaconda/lib/python2.7/site-packages/pymc3/distributions/distribution.py", line 67, in get_test_val
    str(defaults) + " pass testval argument or adjust so value is finite.")
AttributeError: <pymc3.distributions.continuous.Uniform object at 0x10d1e1f10> has no finite default value to use, checked: ['median', 'mean', 'mode'] pass testval argument or adjust so value is finite.

我需要使用 theano 来实现对向量的这个操作吗？

我猜你的模型有问题的部分是1/M 。 因为当 M 趋近于 0 时，这会趋于无穷。实际上，在您的示例中，M 的第一个建议值为 0（上下边界的平均值），因此您得到的“无有限值”错误（错误来自变量 S)。

解决此问题的一种方法是将合理的testval值传递给 M（在本例中为 0 以外的任何值），例如：

M = pm.Uniform("M", -5., 5., shape=size, testval=0.1)

现在 M 将被初始化为 0.1（而不是 0。）

作为旁注，我直觉上认为 NUTS 很难从这个模型中正确采样，因此我认为 Metropolis 在这里可能是更好的选择，但可以随意尝试不同的采样器。

如何在 PYMC3 中添加确定性向量运算？

问题描述

1楼