Python 如何在PyMC中定义一般确定性函数

在我的模型中，我需要使用复杂的python函数从一组父变量中获取确定性变量的值

@pm.theano.compile.ops.as_op(itypes=[t.dscalar, t.dscalar, t.dscalar],otypes=[t.dvector])

有可能吗

下面是一个pyMC3代码，它显示了我在一个简化案例中尝试做的事情

import numpy as np
import pymc as pm


#Predefine values on two parameter Grid (x,w) for a set of i values (1,2,3)
idata = np.array([1,2,3])
size= 20
gridlength = size*size
Grid = np.empty((gridlength,2+len(idata)))
for x in range(size):
    for w in range(size):
        # A silly version of my real model evaluated on grid.
        Grid[x*size+w,:]= np.array([x,w]+[(x**i + w**i) for i in idata])

# A function to find the nearest value in Grid and return its product with third variable z
def FindFromGrid(x,w,z):
    return Grid[int(x)*size+int(w),2:] * z

#Generate fake Y data with error
yerror = np.random.normal(loc=0.0, scale=9.0, size=len(idata))
ydata = Grid[16*size+12,2:]*3.6 + yerror  # ie. True x= 16, w= 12 and z= 3.6


with pm.Model() as model:

    #Priors
    x = pm.Uniform('x',lower=0,upper= size)
    w = pm.Uniform('w',lower=0,upper =size)
    z = pm.Uniform('z',lower=-5,upper =10)

    #Expected value
    y_hat = pm.Deterministic('y_hat',FindFromGrid(x,w,z))

    #Data likelihood
    ysigmas = np.ones(len(idata))*9.0 
    y_like = pm.Normal('y_like',mu= y_hat, sd=ysigmas, observed=ydata)

    # Inference...
    start = pm.find_MAP() # Find starting value by optimization
    step = pm.NUTS(state=start) # Instantiate MCMC sampling algorithm
    trace = pm.sample(1000, step, start=start, progressbar=False) # draw 1000 posterior samples using NUTS sampling


print('The trace plot')
fig = pm.traceplot(trace, lines={'x': 16, 'w': 12, 'z':3.6})
fig.show()

运行此代码时，在y_hat阶段出现错误，因为

FindFromGrid（x，w，z）

函数中的

int（）

函数需要整数而不是FreeRV

从预先计算的网格中查找

y_-hat

非常重要，因为我的y_-hat实际模型没有解析形式来表示

我之前尝试过使用OpenBUGS，但我发现在OpenBUGS中不可能做到这一点。在PyMC中可能吗

更新 基于pyMC github页面中的一个示例，我发现需要将以下装饰器添加到我的

FindFromGrid（x，w，z）

函数中

@pm.theano.compile.ops.as_op(itypes=[t.dscalar, t.dscalar, t.dscalar],otypes=[t.dvector])

这似乎解决了上述问题。但我不能再使用坚果采样器了，因为它需要梯度

大都会似乎没有融合

---

在这样的场景中，我应该使用哪一步方法？

您使用

as\u op

找到了正确的解决方案

关于收敛性：您是否碰巧使用了

pm.Metropolis（）

而不是

pm.NUTS（）

？无法收敛的一个原因是，

Metropolis（）

默认情况下，关节空间中的样本，而Metropolis中的Gibbs通常更有效（这是pymc2中的默认值）。话虽如此，我还是合并了这个：它改变了

Metropolis

和

Slice

采样器的默认行为，使其在默认情况下是非阻塞的（Gibbs内部也是如此）。其他采样器，如

螺母

，主要用于对关节空间进行采样，但默认情况下仍为阻塞。您始终可以使用kwarg

blocked=True

显式设置此选项

---

无论如何，请使用最新的主机更新pymc，并查看收敛是否有所改善。如果没有，请尝试

切片

采样器。

谢谢您的帮助。我猜，在我上面的示例模型中发生的是，变量高度相关。因此，在经历了几条MC链之后，它在某个时候陷入了困境。有没有办法增加跳跃的步长？我还想知道为什么在使用pm.find_MAP（）时，我的函数会出现一个错误no grad（）属性，如果它使用的是Nelder Mead优化，它不需要导数。是的，

find_MAP（）

与Nelder Mead一起应该可以工作。你能在github上用一些代码来重现这个问题吗？关于卡住，这是MCMC的痛苦。如果相关性是个问题，你可以尝试调整Metropolis Hastings的提案分布，或者只是运行更多的样本。谢谢。我将在github上发布一个问题。