tensorflow - 使用两组数据计算张量流概率中 log_prob 的可能性

Question

我是 tensorflow 的新手，正在尝试将 STAN 模型转换为 TFP。这是我的 TFP 模型，使用JointDistributionCoroutineAutoBatched.

def make_joint_distribution_coroutine(Depth,N_RNA):
    def model():
        ## c1 prior 
        c1 = yield tfd.Gamma(concentration = 1.1, rate = 0.005)
        ## c2 prior
        c2 = yield tfd.Gamma(concentration = 1.1, rate = 0.005)
        ## s prior 
        s = yield GammaModeSD(1,1)
        ## theta prior 
        theta = yield tfd.LogNormal(0,s)
        ## p prior
        p = yield BetaModeConc(0.1,c1)
        ## tfp bug, need to cast tensor to float32
        #theta = tf.cast(theta, tf.float32)
        #p = tf.cast(p, tf.float32)
        ## q formula
        q = (theta*p)/(1-p+theta*p)
        ## qi prior 
        qi = yield BetaModeConc(tf.repeat(q,N_RNA), c2)
        ## qi likelihood 
        k = yield tfd.Binomial(tf.cast(Depth,tf.float32),qi)
        # p likelihood
        a = yield tfd.Binomial(tf.cast(Depth,tf.float32),p)
    return tfd.JointDistributionCoroutineAutoBatched(model)

我的模型生成两组不同的数据，它们是a和k。如果它只有aor k，那么我可以指定我的log_prob功能

def joint_log_prob(*args):
      return joint.log_prob(*args, likelihood = data)

或者

joint_log_prob = lambda *x: model.log_prob(x + (data,))

但我的问题是如何将两组不同的数据合并到一个log_prob函数中？谢谢！

Answer 1

最简单的解决方案就是同时指定两者。假设data是tuple：

def joint_log_prob(*args):
  return joint.log_prob(*args, a=data[0], k=data[1])

或者

joint_log_prob = lambda *x: model.log_prob(x + data)

你可能还想写：

joint_log_prob = joint.experimental_pin(a=.., k=..).unnormalized_log_prob

（见JointDistributionPinned）