Python 如何在gpflow中固定内核长度尺度的某些维度？

我有一个2d内核

k = gpflow.kernels.RBF(lengthscales=[24*5,1e-5])
m = gpflow.models.GPR(data=(X,Y), kernel=k, mean_function=None)

我想修正第二维度的长度比例，然后优化另一个维度

我可以使用

gpflow.set_trainable(m.kernel.lengthscales, False) 

但是我不能只给这个方法传递一个维度

在GPy中，我们将调用

m.kern.lengthscale[1:].fixed（）

或其他什么

---

也许我可以使用一个转换来大致实现这一点（例如），但这相当复杂。

GPflow为每个参数使用一个

tf.Variable

，比如内核的

长度尺度

，而TensorFlow只允许您更改变量作为一个整体的

可训练的

状态。对于任意维度，每个维度都有一个单独的参数并不容易实现，但您可以很容易地对所需内核进行子类化，并使用如下属性覆盖

lengthscales

：

导入gpflow
导入tensorflow作为tf
类MyKernel（gpflow.kernels.squaredeponential）：#或任何您想要的内核
@财产
def长度标度（自）->tf.张量：
返回tf.stack（[self.lengthscale\u 0，self.lengthscale\u 1]）
@长度设定器
def长度刻度（自身、值）：
self.lengthscale_0=gpflow.Parameter（值[0]，transform=gpflow.utilities.positive（））
self.lengthscale_1=值[1]#固定

然后您可以简单地使用

k=MyKernel（lengthscales=[24*5，1e-5]）

。（虽然1e-5的长度刻度看起来不太合适！但这超出了这个问题的范围。）

---

这是因为超类的

\uuuu init\uuuu

（在gpflow.kernels.statistic中）分配

self.lengthscales=参数（lengthscales，transform=positive（））

，因此在这个自定义类中，它会调用属性设置器，而属性设置器又会创建两个单独的属性。属性getter然后将它们重新缝合在一起，用于实际期望二维向量的方法。

GPflow为每个参数使用一个

tf.Variable

，例如内核的

lengthscales

，而TensorFlow只允许您更改变量作为一个整体的

可训练的

状态。对于任意维度，每个维度都有一个单独的参数并不容易实现，但您可以很容易地对所需内核进行子类化，并使用如下属性覆盖

lengthscales

：

导入gpflow
导入tensorflow作为tf
类MyKernel（gpflow.kernels.squaredeponential）：#或任何您想要的内核
@财产
def长度标度（自）->tf.张量：
返回tf.stack（[self.lengthscale\u 0，self.lengthscale\u 1]）
@长度设定器
def长度刻度（自身、值）：
self.lengthscale_0=gpflow.Parameter（值[0]，transform=gpflow.utilities.positive（））
self.lengthscale_1=值[1]#固定

然后您可以简单地使用

k=MyKernel（lengthscales=[24*5，1e-5]）

。（虽然1e-5的长度刻度看起来不太合适！但这超出了这个问题的范围。）

这是因为超类的

\uuuu init\uuuu

（在gpflow.kernels.statistic中）分配

self.lengthscales=参数（lengthscales，transform=positive（））

，因此在这个自定义类中，它会调用属性设置器，而属性设置器又会创建两个单独的属性。属性getter然后将它们重新缝合在一起，用于实际需要二维向量的方法