2

我试图通过复制此处给出的混合高斯示例来模拟指数混合。代码如下。我知道这里的推理有一些时髦的方面，但我的问题更多是关于如何在这样的模型中调试计算。

这个想法是它是三个指数的混合，比例参数取自 Gamma 分配给scales. 但是，在ElemwiseCategoricalStep. 通过查看 ，您可以看到指数分量的观测值分配最初是不同的initial_assignments，并且您可以看到所有观测值都分配给所有交互上的第零分量，因为它set(tr['exp'].flatten())仅包含 0。

p我认为这是因为在表达式array([logp(v * self.sh) for v in self.values])中分配给的所有值ElemwiseCategoricalStep.astep都是负无穷大。我想知道为什么会这样以及如何纠正它，但更重要的是，我想知道可以使用哪些工具来调试这种事情。有什么办法让我逐步计算，logp(v * self.sh)看看结果是如何确定的？如果我尝试使用 pdb 来执行此操作，我想我会在outputs = self.fn()in受到阻碍theano.compile.function_module.Function.__call__，我想我无法进入，因为它是一个本机函数。

即使知道如何为给定的一组模型参数计算 pdf 也是一个有用的开始。

import numpy as np
import pymc as pm
from pymc import Model, Gamma, Normal, Dirichlet, Exponential
from pymc import Categorical
from pymc import sample, Metropolis, ElemwiseCategoricalStep

durations = np.concatenate(
    [np.random.exponential(1/lam, 10)
     for lam in [1e-3,7e-5,2e-6]])

initial_assignments = np.random.randint(0, 3, len(durations))

print 'initial_assignments', initial_assignments

with Model() as model:
    scales = Gamma('hp', 1, 1, shape=3)
    props = Dirichlet('props', a=np.array([1., 1., 1.]), shape=3)
    category = Categorical('exp', p=props, shape=len(durations))
    points = Exponential('obs', lam=scales[category], observed=durations)
    step1 = pm.Metropolis(vars=[props,scales])
    step2 = ElemwiseCategoricalStep(var=category, values=[0,1,2])
    start = {'exp': initial_assignments,
             'hp':  np.ones(3),
             'props': np.ones(3),}
    tr = sample(3000, step=[step1, step2], start=start)

print set(tr['exp'].flatten())
4

1 回答 1

2

很好的问题。您可以做的一件事是查看每个组件的 pdf。

模型和每个变量都应该有一个 .logp 和一个 .elemwise_logp 属性，它们返回一个可以采用点或参数值的函数。

因此，您可以说类似print scales.logp(start)orprint model.logp(start)或print scales.dlogp()(start)。

现在，我认为不幸的是您必须指定所有参数值（即使是不影响特定变量结果的参数值）。

Model、FreeRV 和 ObservedRV 都继承自提供此功能并具有一些其他方法的Factor 。您可能会想要非fast版本，因为它们在他们接受的各种论点方面更加宽容。

这有帮助吗？如果您对可能有助于调试的事情有其他想法，请告诉我。这是我们知道 pymc3 和 theano 需要一些工作的领域。

于 2014-03-07T06:25:18.787 回答