Python Dirichlet分布采样中PyMC的浮点错误

在定义了“指数随机变量的对数”的随机对象之后，我决定使用

pymc.randomic\u from\u dist

手动编写这个新分布的代码。我尝试实现的模型在此可用（第一个模型）：

现在，当我尝试使用MCMC Metropolis并以正态分布作为建议（如下图所述，作为采样方法）对日志（alpha）进行采样时，我得到以下错误：

  File "/Library/Python/2.7/site-packages/pymc/distributions.py", line 980, in rdirichlet
    return (gammas[0]/gammas[0].sum())[:-1]

FloatingPointError: invalid value encountered in divide

虽然采样没有出错，但采样直方图与本文中的直方图相匹配。我的分层模型是：

"""
A Hierarchical Bayesian Model for Bags of Marbles

logalpha ~ logarithm of an exponential distribution with parameter lambd
beta ~ Dirichlet([black and white ball proportions]:vector of 1's)
theta ~ Dirichlet(alpha*beta(vector))

"""

import numpy as np
import pymc
from scipy.stats import expon
lambd=1.
__all__=['alpha','beta','theta','logalpha']
#------------------------------------------------------------
# Set up pyMC model: logExponential
# 1 parameter: (alpha)

def logExp_like(x,explambda):
    """log-likelihood for logExponential"""
    return -lambd*np.exp(x)+x
def rlogexp(explambda, size=None):
    """random variable from logExponential"""
    sample=np.random.exponential(explambda,size)
    logSample=np.log(sample)
    return logSample
logExponential=pymc.stochastic_from_dist('logExponential',logp=logExp_like,
                                          random=rlogexp,
                                          dtype=np.float,
                                          mv=False)
#------------------------------------------------------------
#Defining model parameteres alpha and beta.
beta=pymc.Dirichlet('beta',theta=[1,1])
logalpha=logExponential('logalpha',lambd)

@pymc.deterministic(plot=False)
def multipar(a=logalpha,b=beta):
    out=np.empty(2)
    out[0]=(np.exp(a)*b)
    out[1]=(np.exp(a)*(1-b))
    return out
theta=pymc.Dirichlet('theta',theta=multipar)

我的测试采样代码是：

from pymc import Metropolis
from pymc import MCMC
from matplotlib import pyplot as plt
import HBM
import numpy as np
import pymc
import scipy
M=MCMC(HBM)
M.use_step_method(Metropolis,HBM.logalpha, proposal_sd=1.,proposal_distribution='Normal')
M.sample(iter=1000,burn=200)

---

当我检查distributions.py的978行中传递给gamma distribution的θ值时，我发现不是零而是小值！所以我不知道如何防止这个浮点错误？

如果你得到的数字很小，它可能对浮点来说太小了。这通常也是对数要避免的。如果您使用的是

dtype=np.float64

？

正如您在问题末尾所建议的，问题在于浮点型转换为0的数字太小。一种解决方案是稍微调整源代码，用例如np.divide替换除法，并在“where”条件下为给定阈值的较小值添加一些显式转换

我在他们的文档中发现：

随机变量截止不能小于D的最大元素，否则D的密度为零。标准Metropolis step方法可以毫无问题地处理这种情况；它偶尔会提出非法值，但这些值将被拒绝

这会让我相信，

dtype=np.float

（它与float具有相同的范围）可能不是您想要使用的方法。文档中说它需要是一个numpy数据类型，但它只需要是一个转换为numpy数据类型对象的数据类型，并且在Python2中（如果我错了请纠正我），数字类型是固定大小的类型，这意味着它们是相同的。也许可以选择使用该模块。通过这种方式，您可以设置精度级别来封装预期的值范围，并将其传递给扩展的随机方法进行转换

from decimal import Decimal, getcontext
getcontext().prec = 15
dtype=Decimal

我不知道一旦numpy库得到它，或者它是否会尊重继承的精度级别，它就不会被截断。我没有准确的测试方法，但请尝试一下，让我知道这对您是如何起作用的

编辑：我测试了精度继承的概念，它似乎适用于：

>>> from decimal import Decimal, getcontext
>>> getcontext().prec = 10
>>> Decimal(1) / Decimal(7)
Decimal('0.1428571429')
>>> np.float(Decimal(1) / Decimal(7))
0.1428571429
>>> getcontext().prec = 15
>>> np.float(Decimal(1) / Decimal(7))
0.142857142857143
>>> 

---

我认为在distributions.py的主代码中应该有一个异常捕捉器，用于PyMC处理gammas[0]为零的情况！如果在测试采样代码中导入后立即添加

np.seterr（divide='ignore'）

，会有什么结果？@alko，谢谢，但仍然是相同的错误。关键是需要使用PyMC的源代码！我宁愿不要！但是谢谢。嘿，杰西，谢谢你的回答，但是我现在几乎记不起关于PyMC的任何事情了。我希望他们有更好的保养。我已经走了，哈哈！