根据概率分布随机采样python_PR Sampling Ⅱ:马尔可夫链蒙特卡洛 MCMC及python实现...
刘浚嘉:PR:机器人学的概率方法学习路径zhuanlan.zhihu.com
PR 采样分章 第二节:马尔可夫链蒙特卡洛 MCMC
Paper | 1970
在许多实例中,我们希望采用蒙特卡罗方法,然而往往又不存在一种简单的方法可以直接从目标分布
在这种情况下,为了从分布
马尔可夫链(Markov Chain)的数学工具。
为了避免处理棘手的后验分布计算,我们从分布中采样,并用这些样本来计算分布的统计参数。
马尔科夫链
Markov Chain最重要的两个特性:
- 无后效性,
;
- 平稳性,详见 马尔可夫链,作者给出了一个关于社会阶层的很好例子。简要来说,不论初始概率分布如何,转移矩阵相同的情况下,最终状态的概率分布都会趋于同一个稳定的概率分布。即马尔科夫链模型的状态转移矩阵收敛到的稳定概率分布与初始状态概率分布无关。
如果非周期(状态转化不是循环的,否则永远不收敛)马尔可夫链的转移矩阵
和某个分布满足:则
是马尔可夫链的平稳分布。 这被称作马尔可夫链的细致平稳条件
detailed balance condition
,其证明如下:
基于马尔科夫链采样
马尔科夫链的平稳性意味着:
如果可以得到了一个稳定概率分布对应的马尔科夫链模型的状态转移矩阵,则我们可以用任意的概率分布样本开始,带入马尔科夫链模型的状态转移矩阵,这样经过一些序列的转换,最终就可以得到符合对应稳定概率分布的样本。
假设我们任意初始的概率分布是
对于每个分布
采样步骤:
- 从任意简单概率分布(比如高斯)
开始采样得到状态值;
- 基于条件概率分布
采样状态值,一直进行下去,直至第 n 次 产生平稳分布;
- 此时的采样集
符合目标的平稳分布,可以用来做蒙特卡洛模拟求和了。
那么MCMC到底是什么思路呢?
- 建立一个马尔科夫链,使其收敛到平稳分布恰好为 p(x);
- 从马尔可夫链中模拟随机的状态序列,该序列足够长,能够(几乎)达到稳态;
- 保留生成的一些状态作为样本
好像和刚刚没什么区别。是不是还是一脸懵,别急,慢慢来,我们一步步分析。
我们已知在有状态转移矩阵转移矩阵的前提下,可以得到对应平稳分布的采样,但是问题是怎么得到状态转移矩阵啊??
根据马尔可夫链的细致平稳条件,只要我们找到了可以使概率分布
MCMC采样
一般情况下,矩阵 Q 不满足细致平稳条件:
对上式进行改造,使其等式成立:
这个
又该怎么得到??其实满足下两式即可:
即可得到分布
这就很像上一章重要性采样的思想,其中
MCMC采样过程:
- 选定任意的马尔科夫链状态转移矩阵 Q,平稳分布
,设定状态转移次数阈值,需要的样本个数;
- 从任意简单概率分布开始,采样得到初始状态
;
- for
to:
- 从条件概率分布
中采样得到样本- 从均匀分布采样u∼uniform[0,1]
- 如果则接受转移,即- 否则不接受转移,即
样本集
Implementation
还是我们在
Machine-Learning-is-ALL-You-Needgithub.com
中的作风,实现形式包括纯python from scratch 的 self-implement 形式 + 常用标准库形式。
首先是 From scratch,自己复现对原理的理解会更加透彻:
TODO
概率机器学习标准库 GPflow:
GP regressiongpflow.readthedocs.io
我们想从以
num_burnin_steps = ci_niter(300) # n_1
num_samples = ci_niter(500) # n_2# Note that here we need model.trainable_parameters, not trainable_variables - only parameters can have priors!
hmc_helper = gpflow.optimizers.SamplingHelper(model.log_posterior_density, model.trainable_parameters
)hmc = tfp.mcmc.HamiltonianMonteCarlo(target_log_prob_fn=hmc_helper.target_log_prob_fn, num_leapfrog_steps=10, step_size=0.01
)
adaptive_hmc = tfp.mcmc.SimpleStepSizeAdaptation(hmc, num_adaptation_steps=10, target_accept_prob=f64(0.75), adaptation_rate=0.1
)@tf.function
def run_chain_fn():return tfp.mcmc.sample_chain(num_results=num_samples,num_burnin_steps=num_burnin_steps,current_state=hmc_helper.current_state,kernel=adaptive_hmc,trace_fn=lambda _, pkr: pkr.inner_results.is_accepted,)samples, traces = run_chain_fn()
parameter_samples = hmc_helper.convert_to_constrained_values(samples)param_to_name = {param: name for name, param in gpflow.utilities.parameter_dict(model).items()}
贝叶斯推断标准库 PyMC3:
Getting started with PyMC3docs.pymc.io
Bayesian Regression in PYMC3 using MCMC & Variational Inference
import pymc3 as pmwith pm.Model() as basic_model:alpha_prior = pm.HalfNormal('alpha', sd=2, shape=2)beta_prior = pm.Normal('beta', mu=0, sd=2, shape=2)sigma_prior = pm.HalfNormal('sigma', sd=2, shape=1)mu_likelihood = alpha_prior[cat_tensor] + beta_prior[cat_tensor] * x_tensory_likelihood = pm.Normal('y', mu=mu_likelihood, sd=sigma_prior, observed=y_tensor)# HMC: Hamiltonian Monte Carlo, default MCMC method in PYMC3hmc_trace = pm.sample(draws=5000, tune=1000, cores=2)# 画图 + 输出pm.traceplot(hmc_trace)pm.summary(hmc_trace)
各种MCMC的标准库汇总
pythonMCMCgithub.com
关联阅读
刘浚嘉:PR Sampling Ⅰ: 蒙特卡洛采样、重要性采样及python实现zhuanlan.zhihu.com
刘浚嘉:PR Sampling Ⅲ: M-H and Gibbs 采样zhuanlan.zhihu.com
刘浚嘉:Reinforcement-Learning-in-Robotics 专栏目录zhuanlan.zhihu.com
Reference
- Bayesian inference problem, MCMC and variational inference
- 采样方法(Sampling Method)
- MCMC sampling for dummies
- MCMC(一)蒙特卡罗方法
- MCMC(二)马尔科夫链
- MCMC(三)MCMC采样和M-H采样 - 刘建平Pinard - 博客园
根据概率分布随机采样python_PR Sampling Ⅱ:马尔可夫链蒙特卡洛 MCMC及python实现...相关推荐
- 概率密度变换公式 雅可比矩阵_看懂蒙特卡洛积分(一) 概率分布变换与随机采样...
TC130:游戏渲染进阶zhuanlan.zhihu.com 蒙特卡洛积分是图形学中常用的数学工具, 这里就来总结下蒙特卡洛积分的原理和使用方式. 很多教程中把概率分布和积分是混在一起讲的, 个人觉 ...
- 蒙特卡洛采样_PR Sampling : 蒙特卡洛采样、重要性采样及python实现
作者:刘浚嘉 专栏地址:https://www.zhihu.com/column/c_1188392852261134336 引言 还记得我们之前学过的贝叶斯推断吗?https://zhuanlan. ...
- 随机采样和随机模拟:吉布斯采样Gibbs Sampling
2016年05月12日 00:24:21 阅读数:45658 http://blog.csdn.net/pipisorry/article/details/51373090 吉布斯采样算法详解 为什么 ...
- 机器学习笔记之马尔可夫链蒙特卡洛方法(四)吉布斯采样
机器学习笔记之马尔可夫链蒙特卡洛方法--吉布斯采样 引言 回顾:MH采样算法 基于马尔可夫链的采样方式 细致平衡原则与接收率 MH采样算法的弊端 吉布斯采样方法 吉布斯采样的采样过程 吉布斯采样的推导 ...
- 机器学习笔记之马尔可夫链蒙特卡洛方法(三)MH采样算法
机器学习笔记之马尔可夫链蒙特卡洛方法--MH采样算法 引言 回顾:马尔可夫链与平稳分布 马尔可夫链 平稳分布 MH采样算法 采样思路 MH采样算法过程 引言 上一节介绍了马尔可夫链(Markov Ch ...
- 随机采样和随机模拟:吉布斯采样Gibbs Sampling实现高斯分布参数推断
http://blog.csdn.net/pipisorry/article/details/51539739 吉布斯采样的实现问题 本文主要说明如何通过吉布斯采样来采样截断多维高斯分布的参数(已知一 ...
- 随机采样池化--S3Pool: Pooling with Stochastic Spatial Sampling
S3Pool: Pooling with Stochastic Spatial Sampling CVPR2017 https://github.com/Shuangfei/s3pool 本文将常规池 ...
- 机器学习笔记马尔可夫链蒙特卡洛方法(二)马尔可夫链与平稳分布
机器学习笔记之马尔可夫链蒙特卡洛方法--马尔可夫链与平稳分布 引言 回顾:蒙特卡洛方法 马尔可夫链与平稳分布 马尔可夫链 平稳分布 细致平衡 关于平稳分布的补充 马尔可夫链的本质 平稳分布的收敛性证明 ...
- 13 MCMC——马尔可夫链蒙特卡洛
文章目录 13 MCMC--马尔可夫链蒙特卡洛 13.1 MCMC的意义 13.2 简单采样方法介绍 13.2.1 概率分布采样 13.2.2 Rejection Sampling--拒绝采样 13. ...
最新文章
- .NET Core2.1下采用EFCore比较原生IOC、AspectCore、AutoFac之间的性能
- 利用curl 多线程 模拟 并发的详解
- 【常用技巧】标准模板库(STL)
- 奇异递归模板模式(Curiously Recurring Template Pattern,CRTP)
- Angular15 利用ng2-file-upload实现文件上传
- 自定义控件之绘图篇(一):概述及基本几何图形绘制
- JSON 和 JS 对象互转
- 动态分配IP之dhcp服务
- 为linux系统引导和登录提供安全加固
- JVM、JRE、JDK、java ee sdk with jdk四者的区别
- java boxlayout 换行,继承FlexboxLayout自定义可自动换行的tag标签
- 2018_09_21_刚才发现csdn漏掉了我的上一篇日记
- 通用即插即用监视器驱动下载_请你给广色域显示器装下驱动好么? 尤其是k7b小金刚以及nano ips面板显示器的用户...
- Python的三大神器,你知道是哪三大吗?史上最详细的入门教程!
- Java文件操作——简单文件搜索
- python 模拟浏览器selenium_python爬虫10:使用selenium模拟浏览器登录账号
- oracle新建一个自增列,sequence的使用
- 你在加密市场能走多远 取决于你的思维认知
- 树和二叉树(TreeBinary Tree)
- com.ibm.websphere.ce.cm.ConnectionWaitTimeoutException
热门文章
- 酷狗笔试题:补齐左括号(栈)
- Spring-bean的作用域(六)
- [bzoj3140] [Hnoi2013]消毒
- Alpha 冲刺 (6/10)
- theano学习指南5(翻译)- 降噪自动编码器
- MYSQL端口自动开启的问题~
- html在线时间24小时代码,每24小时弹一次的HTML代码
- 数据结构括号匹配代码_栈:如何实现有效括号的判断?
- netbeans基于mysql学生信息_学生信息管理系统的设计与实现(NetBeans IDE,MySQL)
- Python扩展库numpy中where()函数的三种用法