Python 高斯过程wrt特征的偏导数

给定一个具有多维特征和标量观测值的高斯过程模型，我如何计算GPyTorch或GPFlow（或scikit学习）中输出wrt对每个输入的导数？

如果我正确理解了您的问题，以下内容将为您提供使用TensorFlow的GPFlow所需的内容：

将numpy导入为np
导入tensorflow作为tf
导入gpflow
###设置玩具数据和模型--根据需要进行更改：
X=np.linspace（0,10,5）[：，无]
Y=np.random.randn（5,1）
数据=（X，Y）
kernel=gpflow.kernels.squaredeponential（）
model=gpflow.models.GPR（数据，内核）
Xtest=np.linspace（-1,11,7）[：，None]#您要预测的位置
###计算与输入相关的预测梯度：
#TensorFlow只能计算关于tensor对象的梯度，
#让我们把输入转换成张量：
Xtest\u张量=tf。将\u转换为\u张量（Xtest）
用tf.GradientTape(
persistent=True#这允许我们计算下面的不同梯度
)作为磁带：
#默认情况下，只监视变量。对于相对于张量的梯度，
#我们需要明确关注他们：
磁带.手表（Xtest\U张量）
平均值，var=模型。预测f（Xtest_张量）或任何其他预测函数
梯度平均值=磁带梯度（平均值，Xtest张量）
梯度=tape.梯度（var，Xtest\u张量）