详细内容或原文请订阅后点击阅览
使用 tfprobability 进行高斯过程回归
继续我们的 TensorFlow Probability (TFP) 应用之旅，在贝叶斯神经网络、汉密尔顿蒙特卡罗和状态空间模型之后，我们在这里展示了高斯过程回归的一个例子。事实上，我们看到的是一个相当“正常”的 Keras 网络，以非常常见的方式定义和训练，TFP 的变分高斯过程层发挥了所有魔力。
来源:RStudio AI博客在一个主要致力于深度学习的博客上，您如何激励或围绕高斯过程回归编造一个故事？
很简单。正如围绕人工智能的看似不可避免的、可靠的 Twitter“战争”所证明的那样，没有什么比争议和对抗更能吸引注意力了。所以，让我们回到二十年前，找找人们说“高斯过程来了，我们不再需要为那些挑剔、难以调整的神经网络而烦恼了！”的引文。而今天，我们在这里；每个人都对深度学习有所了解，但谁听说过高斯过程？
一些东西虽然类似的故事讲述了很多关于科学史和观点发展的故事，但我们更喜欢从不同的角度来讲述。在他们 2006 年出版的《机器学习的高斯过程》（Rasmussen and Williams 2005）一书的前言中，Rasmussen 和 Williams 分别提到了“两种文化”——统计学和机器学习学科：
机器学习的高斯过程 (Rasmussen and Williams 2005) Rasmussen and Williams 2005高斯过程模型在某种意义上将两个社区的工作结合在一起。
高斯过程模型在某种意义上将两个社区的工作结合在一起。
在这篇文章中，“在某种意义上”变得非常具体。我们将看到一个以通常方式定义和训练的 Keras 网络，其主要成分是高斯过程层。任务将是“简单”的多元回归。
另外，这种“聚集社区”——或者思维方式，或者解决策略——也为 TensorFlow Probability 提供了良好的整体表征。