Tensorflow GPflow多类：如何压缩多个gp.predict_f_样本以获得它们的概率？

我对MNIST数字进行分类，我想对每个类的概率（不是潜在函数）进行多次采样。然而，

gp.predict\u y

仅给出了一种情况的概率

因此，我采用

f_samples=gp.predict\u f_samples

，它从底层潜在函数返回大量示例。 现在，如何通过鲁棒最大似然法“压缩”f_样本？

我的家庭医生代码：

kernel = gpflow.kernels.Matern52(input_dim=128, ARD=ARD, active_dims=np.arange(128))\
       + gpflow.kernels.White(input_dim=128, active_dims=np.arange(128))

# Robustmax Multiclass Likelihood
  invlink = gpflow.likelihoods.RobustMax(10)  # Robustmax inverse link function
  likelihood = gpflow.likelihoods.MultiClass(10, invlink=invlink)  # Multiclass likelihood
  Z = x_train[::5].copy()  # inducing inputs

  gp = gpflow.models.SVGP(x_train, y_train, num_latent=10,
                          kern=kernel, Z=Z, likelihood=likelihood,
                          whiten=True, q_diag=True)

---

GPflow版本：1.5.1

一旦采样，就不再使用概率分布-10个潜在函数中的每一个都有实际值。要将样本转换为类上的概率，只需将RobustMax函数（最大潜在函数的概率为1-epsilon，所有其他函数的概率为epsilon/9）应用于所获得的10个值。例如

eps = 0.001
f_samples = gp.predict_f_samples(x_test, num_samples)
largests = np.argmax(f_samples , axis = 2)
prob_samples = (np.eye(10)[largests]*(1-eps-eps/9)+eps/9)

请注意，您得到的概率在一个类上都是0.999，在所有其他类上都是0.0001，这就是RobustMax。如果您打算对样本进行平均，您可能只想调用gp.predict_y（），它实际上集成了概率分布上的RobustMax，并且如果潜在均值接近，可以为您提供更平滑的类概率