Использование tfp.mcmc.MetropolisHastings для физической модели

Я новичок в Tensorflow и хотел бы использовать библиотеку вероятностей Tensorflow для моделирования физической проблемы. Tensorflow поставляется с функцией tfp.mcmc.MetropolisHastings, алгоритмом, который я хочу использовать.

Я предоставил свой первоначальный дистрибутив. В моем случае это двумерная сетка, и в каждой точке сетки находится «вращение» (физика не имеет большого значения), которое может быть либо +1, либо -1. Предложением нового состояния x' должна быть старая сетка с перевернутым одним из этих спинов, так что в одной точке +1 становится -1 или наоборот. Я могу передать аргумент размера шага, но мой x не скаляр, и я могу просто увеличить его. Как мне это смоделировать? Есть ли способ передать правило обновления, которое не просто увеличивает значение на определенный размер шага?


tensorflow2.0 montecarlo tensorflow-probability
person Pickniclas    schedule 23.07.2019    source источник

Ответы (1)


arrow_upward
2
arrow_downward

Я только что ответил на аналогичный вопрос Выполнить шаг RandomWalk с функцией Tensorflow Probability RandomWalkMetropolis

RandomWalkMetropolis принимает аргумент конструктора new_state_fn, который является настраиваемой функцией предложения, которая использует предыдущее состояние и возвращает предложение.

# TF/TFP Imports
!pip install --quiet tfp-nightly tf-nightly
import tensorflow.compat.v2 as tf
tf.enable_v2_behavior()
import tensorflow_probability as tfp
tfd = tfp.distributions
tfb = tfp.bijectors
import matplotlib.pyplot as plt


def log_prob(x):
  return tfd.Normal(0, 1).log_prob(x)

def custom_proposal(state, extra):
  return state + tfd.Uniform(-.5, .75).sample()

kernel = tfp.mcmc.RandomWalkMetropolis(log_prob, new_state_fn=custom_proposal)
state = tfd.Normal(0, 1).sample()
extra = kernel.bootstrap_results(state)
samples = []
for _ in range(1000):
  state, extra = kernel.one_step(state, extra)
  samples.append(state)

plt.hist(samples, bins=20)
person Brian Patton    schedule 01.08.2019