Python 如何理解PyMC模型中“收益率”的用法？

我自己不是PyMC的用户，但最近我偶然发现了一个PyMC模型的片段：

def线性回归（x）：
比例=产量tfd。半柯西（0，1）
coefs=屈服tfd.法线（tf.零点（x.形状[1]），1，）
预测=产量tfd.Normal（tf.linalg.matvec（x，coefs），比例）
回归预测

作者建议用户

会对

bar=yield foo感到不舒服

我确实感到不舒服。我试图弄明白这台发电机的意义，但看不出它是如何使用的

这是我的思考过程。如果我执行
foo=linear\u regression（bar）
并执行
foo
（例如
next（foo）
），它将向我返回
scale
的值。但是，这也会将局部变量
scale
变为
None
。类似地，如果再次执行
foo
，我可以获得
coefs
的值，但是本地
coefs
将变为
None
。由于本地
量表
和
coefs
均为
None
，如何评估
预测

或者有没有一种方法可以评估
foo
，而不触发
scale
和
coefs
上的
yield
，并直接在
预测上产生收益

这里的黑魔法是什么？需要帮助。
披露：我是这本书的作者

我认为您的主要误解是：Python生成器不仅可以为您生成值，还可以使用
generator.send（）
将值发送回生成器。因此，
bar=yield foo
将向您提供
foo
；生成器将等待您向其发送另一个值（可以是
None
，如果您只需调用
next（generator）
！），将该值分配给
bar
，然后继续运行生成器

下面是一个简单的例子：

>>>定义添加一个生成器（）：
...     x=0
...     尽管如此：
...         x=收益率x+1
...
>>>gen=添加一个发电机（）
>>>y=gen.send（None）#要启动发电机，第一个发送值必须为None
>>>打印（y）
1.
>>>z=发电机发送（2）
>>>打印（z）
3.

请注意，当I
send（2）
时，生成器将发送的值分配给
x
，然后继续执行。在这种情况下，这仅仅意味着
再次产生x+1
，这就是为什么产生的
z
是
3

有关此模式的更多信息以及它可能有用的原因，请参阅

下面是一些伪代码，它使我们更接近（可能）PyMC4中的工作方式：

>>定义线性回归（x）：
...     比例=产量tfd。半柯西（0，1）
...     coefs=屈服tfd.法线（tf.零点（x.形状[1]），1，）
...     预测=产量tfd.Normal（tf.linalg.matvec（x，coefs），比例）
...     回归预测
>>>模型=线性回归（数据）
>>>下一个分布=model.send（无）
>>>规模=pymc_do_things（下一个分布）
>>>coefs=pymc_do_things（model.send（scale））
>>>预测=pymc_do_things（model.send（coefs））
很惊讶文章作者回答了我的问题。谢谢你的解释。我想PyMC4以这种方式构造API的原因是用户可以按照自己的意愿注入
scale
和
coefs
，对吧？几乎是这样：它允许PyMC4推理引擎按照自己的意愿注入
scale
和
coefs
。用户指定的模型生成器向PyMC4生成分布，PyMC4将与这些分布交互，并将分布重新注入模型生成器。