Python 如何在tensorflow概率中运行线性回归，其中参数遵循不同的分布

我有以下示例数据帧：

import pandas as pd
df_test = pd.DataFrame({'y_var':[0,0,0,1,1],
                        'x_c1':[1,2,3,4,5],
                        'x_c2':[6,7,8,9,9],
                        'x_p1':[2,2,2,3,3],
                        'x_p2':[5,6,7,9,9]})

如果

x\u c

s的权重遵循

normal

分布，而

x\u p

s的权重遵循

lognormal

分布，我如何使用

tensorflow\u概率对
y\u var
进行简单的线性回归

更新

例如，如果我尝试构建模型：

import tensorflow as tf
import tensorflow_probability as tfp
tfk = tf.keras
tfkl = tf.keras.layers
tfd = tfp.distributions
tfpl = tfp.layers

model = tfk.Sequential([
  tfkl.Dense(1),
  tfpl.DistributionLambda(lambda t: tfd.Normal(loc=0, scale=1)),
  tfpl.DistributionLambda(lambda t: tfd.LogNormal(loc=0, scale=1)),
  tfkl.Dense(1, activation='linear')
])

然后，这将创建4个层，其中最终所有参数都将遵循对数正态分布，而我只希望
x\u p
s权重遵循
lognormal
问题太广泛了，您是否阅读了TFP文档以开始使用它？有一种方法可以作为基础。@jdehesa是的，我已经阅读了TFP文档，我还发现它添加了一个（lambda）层，但我仍然不明白如何将权重“拆分/分离”为两个分布如果您使用TFP层，是的：对不起，我自己没有进一步的经验，所以我在这里真的帮不了忙…@沙漠人不用担心。无论如何，谢谢你的努力