抛砖引玉：

整个平台是清华大学副教授朱军的学生们主导的，有国家经费的支持，个人觉得是一个很有意义的项目。先搬砖翻译项目介绍：珠算(ZhuSuan)是一个构建于 TensorFlow 之上的用于生成模型(Generative Model)的 Python 库。和现有的主要为监督式任务设计的深度学习库不同，珠算的特点是其在很大程度上根基于贝叶斯推理(Bayesian Inference)，因此支持各种生成模型：既包括传统的分层贝叶斯模型，也有最近的深度生成模型。

要理解这个项目 有几个背景知识：

1、TensorFlow是一个比较流行的深度学习开发平台，在Python下有大量现成的代码基础，所以可以看到zhusuan的项目开发实际上大部分是复用的TensorFlow的类，包括分布类型，网络结构定义等等。这样同时也获得了GPU的计算能力

2、“珠算”的核心目的是做贝叶斯深度学习，这里要区别于常见的CNN神经网络。CNN通过深层的网络结构去拟合的往往是分类标注的函数模型，其中没有用到任何的分布假设，所以要很大量的数据去训练一个简单的图片标注。而贝叶斯擅长的基于各种分布假设的统计推断，可以从一个输入分布推断到另一个输出分布，因为有比较强的分布假设，所以在小规模样本的训练效果上非常好。

3、现在的深度学习框架里，VAE和GAN这类生成模型就是类似思路的产物，引用我今年北京R会上面的分享(我觉得我讲的DCGAN比朱老师讲的TripleGAN更清晰易懂，而且我们还带W的)：

特征分布 Z空间，样本分布X空间，统计专业的同学可以把这个转换理解为分布的重采样，计算机专业的可以理解为编码机，通信专业的可以想象为时域到频域的傅里叶变换。画出来就是下面这样：

但这里面关键是，如果用MCMC过程，产生的是一个贝叶斯状态网络，而用深度学习训练出来的是一个深度神经网络，但最终目的都是希望提取样本的特征。特征搞好了，就可以肆意的在两个分布间进行创作，下面是车轮互联用草图生成彩色效果图的DCGAN效果：

————正文分割————

有了前面的背景知识，那么程序员的问题就来了，对比CNN得到的模型是一个固定的向量，而当我训练贝叶斯深度模型的时候，会得到Z空间和X空间的分布，在ZhuSuan里以 BayesianNet表示。其中的随机节点以 stochastic node 类来表示，他们的观测状态可以很方便的得到复用。

比如在VAE模型里，我们训练的时候用的X先验分布是伯努利分布(最后一行)

import tensorflow as tf

from tensorflow.contrib import layers

import zhusuan as zs

with zs.BayesianNet() as model:

z_mean = tf.zeros([n, n_z])

z_logstd = tf.zeros([n, n_z])

z = zs.Normal('z', z_mean, z_logstd, group_event_ndims=1)

lx_z = layers.fully_connected(z, 500)

lx_z = layers.fully_connected(lx_z, 500)

x_logits = layers.fully_connected(lx_z, n_x, activation_fn=None)

x = zs.Bernoulli('x', x_logits, group_event_ndims=1)

模型训练后得到了X的观测分布，为了复用学习到的X变量，我们可以在新的网络定义里做声明

with zs.BayesianNet(observed={'x': x_batch}):

...

x = zs.Bernoulli('x', x_logits, group_event_ndims=1)

随着TripleGAN在极小标注样本下获得了显著的效果，以及生成模型的广泛应用前进，相信贝叶斯深度学习会大有用武之地，感兴趣的可以一起关注这个领域