Python 在GPflow 2.0中设置超参数优化边界

在GPflow 1.0中，如果我想对lengthscale等参数设置硬边界（即限制参数的优化范围）

将参数绑定在4和6之间

GPflow 2.0的文档说，转换由TensorFlow概率的双对象类处理。哪个Bijector类负责设置参数的硬限制，正确的实现方法是什么

---

关于gpflow1.0，这里也提出了类似的问题（）。但由于gpflow1.0不涉及双喷射器的使用，我提出了一个新问题

这对于双喷射器链来说相当容易做到：

[35]中的

a=3.0
…：b=5.0
…：affine=tfp.bijectors.AffineScalar（shift=a，scale=（b-a））
…：sigmoid=tfp.bijectors.sigmoid（）
…：logistic=tfp.bijectors.Chain（[affine，sigmoid]）
[36]中：逻辑正演（逻辑逆演（3.1）+0.0）
出[36]：

现在，您可以将

logistic

bijector直接传递给参数构造函数

[45]中的

p=gpflow.Parameter（3.1，transform=logistic，dtype=tf.float32）
In[46]：p
出[46]：
In[47]：p.无约束的_变量
出[47]：

很抱歉在这里不断提问，但我一定不明白这个定制物流bijector是如何工作的。我试图实现你的建议，但发现即使我创建了一个lengthscale等于p的内核（在你上面的答案中），我仍然可以将内核优化到远远超出[a，b]的值。我的希望是找到一种方法来绑定像lengthscale这样的参数，这样它就不能优化超过特定值。有没有办法修改代码，使其以这种方式工作？@Rcameron，听起来像个bug，因此你需要发布你的MWE。@[Artem Artemev]，我在这里发布了一个MWE：感谢你在这方面的持续帮助！

transforms.Logistic(a=4., b=6.)