模式识别分类 虚拟货币价格起起伏伏，你怕了吗？(3)

从上面的代码可知，参数 W 和 b 均定义为一般线性回归模型分布，两者都服从正态分布 Normal（0,1）。我们称之为先验，创建 Pyro 的随机函数（在我们的例子中是 PyTorch 中的 RegressionModel），为它添加先验 ({『linear.weight』: w_prior, 『linear.bias』: b_prior})，并根据输入数据 x 从这个模型 p(y|x) 中抽样。

这个模型的 guide 部分可能像下面这样：

def guide(data):
   w_mu = Variable(torch.randn(1, p).type_as(data.data), requires_grad=True)
   w_log_sig = Variable(0.1 * torch.ones(1, p).type_as(data.data), requires_grad=True)
   b_mu = Variable(torch.randn(1).type_as(data.data), requires_grad=True)
   b_log_sig = Variable(0.1 * torch.ones(1).type_as(data.data), requires_grad=True)
   mw_param = pyro.param("guide_mean_weight", w_mu)
   sw_param = softplus(pyro.param("guide_log_sigma_weight", w_log_sig))
   mb_param = pyro.param("guide_mean_bias", b_mu)
   sb_param = softplus(pyro.param("guide_log_sigma_bias", b_log_sig))
   w_dist = Normal(mw_param, sw_param)
   b_dist = Normal(mb_param, sb_param)
   dists = {'linear.weight': w_dist, 'linear.bias': b_dist}
   lifted_module = pyro.random_module("module", regression_model, dists)
   return lifted_module()

我们定义了想要「训练」的分布的可变分布。如你所见，我们为 W 和 b 定义了相同的分布，目的是让它们更接近实际情况（据我们假设）。这个例子中，我让分布图更窄一些（服从正态分布 Normal(0, 0.1)）

然后，我们用这种方式对模型进行训练：

   for j in range(3000):
   epoch_loss = 0.0
   perm = torch.randperm(N)
   # shuffle data
   data = data[perm]
   # get indices of each batch
   all_batches = get_batch_indices(N, 64)
   for ix, batch_start in enumerate(all_batches[:-1]):
       batch_end = all_batches[ix + 1]
       batch_data = data[batch_start: batch_end]
       epoch_loss += svi.step(batch_data)

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-70150-3.html