Tensorflow 如何协调TFP与PyMC3 MCMC结果？

在尝试TFP时，我尝试从共轭正态模型（已知方差）的后验分布中取样，即

x | mu~正常（mu，1.）

mu~正常（4,2.）

与pymc3和分析溶液相比，tf.mcmc.1取样器给出了不同的后验值。注意：pymc3检索正确的后半部

我还尝试了TFP中的HMC采样器，结果相同（不正确）

！pip安装tensorflow==2.0.0-beta0
!pip每晚安装tfp
###进口
将numpy作为np导入
将pymc3作为pm导入
导入tensorflow作为tf
导入tensorflow_概率作为tfp
tfd=tfp
将matplotlib.pyplot作为plt导入
导入seaborn作为sns
tf.random.set_种子（1905）
%matplotlib内联
sns.set（rc={'figure.figsize'：（9.3,6.1）}）
sns.set_上下文（“纸张”）
sns.set_样式（'whitegrid'））
###创建数据
观察值=tfd。正常值（loc=0，刻度=1）。样本（20）
sns.distplot（观察到，kde=False）
轻视；
###模型
#先前的
mu_0，sigma_0=4,2。
先验=tfd正常值（μ0，σ0）
#可能性
mu，sigma=先验样本（1），1.#使用前面的样本作为mu的猜测
似然度=tfd正常值（μ，σ）
#函数解析地得到后验概率
def get_param_更新（数据、sigma、Previor_mu、Previor_sigma）：#已知sigma
n=len（数据）
西格玛2=西格玛**2
先验西格玛2=先验西格玛**2
x_bar=tf.reduce_平均值（数据）
post_mu=（（sigma2*prior_mu）+（n*prior_sigma2*x_bar））/（（n*prior_sigma2）+（sigma2））
后sigma2=（sigma2*前sigma2）/（n*前sigma2）+sigma2）
后西格玛=tf.math.sqrt（后西格玛2）
返回post\u mu，post\u sigma
#后
mu_n，sigma_n=获取参数更新（观察到，
西格玛=1，
先验μ=μ0，
优先权（西格玛=西格玛（0）
后验=tfd.正常（μn，sigma\n，name='posterior'）
###PyMC3
#定义模型
使用pm.Model（）作为模型：
μ=pm.正常值（'μ'，μ=4.，σ=2.）
x=pm.正常（'观察到'，μ=μ，σ=1.，观察到=观察到）
跟踪pm=pm.sample（10000，调谐=500，链=1）
#阴谋
sns距离图（后验样本（10**5））
sns.distplot（trace_pm['mu']））
plt.图例（标签=['Analytic Posterior'，'PyMC Posterior']；
###全要素生产率
#用于评估样本的联合测井探头的定义
def联合日志问题（数据、提案）：
prior=tfd.Normal（mu_0，sigma_0，name='prior'）
可能性=tfd.正常（提案，西格玛，名称='似然'）
返回值（之前的log\u prob（建议）+tf.reduce\u均值（似然性log\u prob（数据）））
#在joint_log_prob上定义闭包
def非标准化日志（建议）：
返回联合日志问题（数据=观察到的，建议=建议）
#定义如何提议状态
rwm=tfp.mcmc(
目标\u log\u prob\u fn=未标准化\u log\u后
)
#定义初始状态
初始状态=tf.常量（0，name='initial_state'）
#样本跟踪
跟踪，内核结果=tfp.mcmc.sample\u链(
数值结果=10**5，
步骤数=5000，
当前状态=初始状态，
结果之间的步数=1，
内核=rwm，
并行迭代=1
)
#阴谋
sns距离图（后验样本（10**5））
sns.distplot（trace_pm['mu']））
sns.distplot（跟踪）
轻视
plt.legend（标签=['Analytic'，'PyMC3'，'TFP']）
plt.xlim（-5,7）；

我期望tfp、pymc3和分析解的结果相同（pymc3找到正确的后验值）

---

对于这类问题，随机游走并不是一个很好的取样器。你可能需要大量的样本才能接近真实的图像

---

PyMC使用NUTS——一种自适应哈密顿蒙特卡罗方法。TFP支持HMC（TFP.mcmc.hamiltonian-montecarlo）；您应该能够将其替换为RWM（但您可能必须调整步长和蛙跳步长参数（这是NUTS自适应为您做的事情）。仅此一点就可以使您更接近一致的结果。

感谢您的回答@Chris。我确实很惊讶，即使是等待时间（增加样本数量）我没有得到任何有用的结果——因为我是第一次使用TFP，我认为我做错了什么。所以非常感谢你的解释。根据你的建议，我尝试了HMC，但仍然得到了类似的结果（很少）结果与RWM一致。您是否有任何快速建议来调整TFP中的步长和跳跃步长（因为螺母仍然不可用）？如果您仍在寻找：。现在就在这里！