2、TensorFlow Probability 基础：安装与配置、TFP 核心组件概览

好，咱们正式开始动手了。这一章我带你先把环境搭好，再快速过一遍 TFP 的四大核心组件。说白了，这就是你接下来所有贝叶斯编程的「工具箱」。我个人习惯先把工具认全，再谈怎么用，这样后面学起来会顺手很多。

2.1 安装与配置：别让环境卡住你

安装 TFP 其实很简单，但有几个坑我得提前跟你说。我曾经在一台老旧的服务器上折腾了整整一下午，最后发现是 Python 版本不兼容——嗯，这种经历一次就够了。

2.1.1 基础安装命令

我建议你直接用 pip 安装，干净利落：

# 安装 TensorFlow 和 TFP
pip install tensorflow==2.12.0
pip install tensorflow-probability==0.20.0
注意版本匹配：TFP 和 TensorFlow 的版本必须严格对应。比如 TFP 0.20.x 对应 TF 2.12.x。你想想看，如果版本对不上，导入时就会报一堆莫名其妙的错。我曾经就因为这个浪费过时间。

2.1.2 验证安装

装完之后，我习惯先跑个简单的导入测试：

import tensorflow as tf
import tensorflow_probability as tfp

print("TF version:", tf.__version__)
print("TFP version:", tfp.__version__)

# 创建一个最简单的正态分布，验证安装
normal_dist = tfp.distributions.Normal(loc=0., scale=1.)
print("采样结果:", normal_dist.sample(5))

如果能看到版本号和采样结果，恭喜你，环境搞定了。

2.1.3 避坑指南：GPU 配置

如果你要用 GPU 加速，记得检查 CUDA 和 cuDNN 的版本。我建议你直接用 tf.config.list_physical_devices('GPU') 看一眼。为什么？因为 TFP 的 MCMC 采样在 GPU 上能快好几倍，尤其是数据量大的时候。

我的小技巧：在 Jupyter Notebook 里，我习惯先跑 %load_ext autoreload 和 %autoreload 2，这样修改代码后不用重启内核。做贝叶斯建模时，你会频繁调整模型结构，这个设置能省不少时间。

2.2 TFP 核心组件概览：四大金刚

TFP 的核心组件其实就四个：distributions、bijectors、mcmc、vi。我管它们叫「四大金刚」。每个组件解决一类问题，咱们一个一个看。

2.2.1 tfp.distributions：概率分布工厂

这是你用得最多的模块。说白了，它就是各种概率分布的「工厂」。你想用正态分布？伯努利分布？还是更复杂的混合分布？这里都有。

# 创建分布对象
normal = tfp.distributions.Normal(loc=0., scale=1.)
bernoulli = tfp.distributions.Bernoulli(probs=0.7)

# 基本操作
print("PDF at 0:", normal.prob(0.))      # 概率密度函数
print("LogPDF at 0:", normal.log_prob(0.)) # 对数概率密度
print("采样5个:", normal.sample(5))        # 随机采样
核心概念：在 TFP 里，分布对象是「可微的」。这意味着你可以对 log_prob 求梯度。这在变分推断和梯度下降中至关重要。你想想看，如果分布不可微，很多优化算法就没法用了。

2.2.2 tfp.bijectors：分布变形金刚

Bijectors 是 TFP 里最巧妙的设计之一。它能把一个简单分布「变形」成复杂分布。我刚开始学的时候觉得这玩意儿有点抽象，后来在项目中做约束参数时才发现它有多好用。

# 用 Softplus 把实数映射到正数
softplus = tfp.bijectors.Softplus()
normal = tfp.distributions.Normal(loc=0., scale=1.)

# 构造一个正数分布
positive_normal = tfp.distributions.TransformedDistribution(
    distribution=normal,
    bijector=softplus
)

print("采样（都是正数）:", positive_normal.sample(5))

为什么会用到这个？举个例子：你要建模一个标准差参数，它必须是正数。直接用正态分布采样可能得到负数，但用 Softplus 变换后，所有采样值都是正的。嗯，这就是 bijector 的妙处。

2.2.3 tfp.mcmc：贝叶斯推断的引擎

MCMC 是贝叶斯推断的核心引擎。TFP 提供了多种采样器，我用的最多的是 HamiltonianMonteCarlo（HMC）和 NoUTurnSampler（NUTS）。

# 一个简单的 MCMC 示例
target_log_prob_fn = lambda x: tfp.distributions.Normal(loc=0., scale=1.).log_prob(x)

hmc = tfp.mcmc.HamiltonianMonteCarlo(
    target_log_prob_fn=target_log_prob_fn,
    step_size=0.1,
    num_leapfrog_steps=3
)

# 采样
samples, _ = tfp.mcmc.sample_chain(
    num_results=1000,
    current_state=0.,
    kernel=hmc,
    num_burnin_steps=500
)
注意：MCMC 采样需要调参。step_size 太大容易发散，太小又跑得慢。我建议你先用 tfp.mcmc.SimpleStepSizeAdaptation 自动调整步长，等模型稳定了再手动微调。

2.2.4 tfp.vi：变分推断的捷径

当数据量很大时，MCMC 可能跑不动。这时候变分推断（VI）就派上用场了。它用优化代替采样，速度快很多，但精度会差一些。

# 变分推断示例
# 假设我们要近似一个后验分布
surrogate_posterior = tfp.distributions.Normal(
    loc=tf.Variable(0.),
    scale=tf.Variable(1.)
)

# 优化 ELBO
losses = tfp.vi.fit_surrogate_posterior(
    target_log_prob_fn=lambda x: tfp.distributions.Normal(loc=0., scale=1.).log_prob(x),
    surrogate_posterior=surrogate_posterior,
    optimizer=tf.optimizers.Adam(learning_rate=0.1),
    num_steps=1000
)
我的经验：在项目中，我通常先用 VI 快速探索模型空间，找到合理的参数范围后，再用 MCMC 做精细采样。这样既快又准，两全其美。

2.3 张量与分布的基本操作

TFP 的分布是建立在 TensorFlow 张量之上的。这意味着你可以利用 TensorFlow 的自动微分、GPU 加速和批处理能力。

2.3.1 批处理：一次处理多个分布

# 创建一批正态分布
batch_normal = tfp.distributions.Normal(
    loc=[0., 1., 2.],  # 三个不同的均值
    scale=[1., 0.5, 2.]  # 三个不同的标准差
)

# 采样：返回形状为 (3,) 的张量
samples = batch_normal.sample()
print("批采样:", samples)

# 计算每个分布的概率
probs = batch_normal.prob([0.5, 1.5, 2.5])
print("概率值:", probs)

2.3.2 事件形状与批形状

这是初学者最容易搞混的概念。我简单解释一下：

  • 批形状（Batch Shape）：独立分布的个数。比如上面例子中的 3 个分布。
  • 事件形状（Event Shape）：每个分布采样的维度。比如多元正态分布的维度。
# 多元正态分布
mvn = tfp.distributions.MultivariateNormalDiag(
    loc=[0., 0.],  # 2维均值
    scale_diag=[1., 1.]  # 2维标准差
)

print("批形状:", mvn.batch_shape)  # 空，因为没有批处理
print("事件形状:", mvn.event_shape)  # [2]，因为是2维分布
记住这个原则：批形状决定「有多少个分布」，事件形状决定「每个分布采样出来是什么形状」。搞清楚了这两个概念，你就能灵活地处理各种复杂的模型结构。

2.3.3 可微性：贝叶斯编程的基石

TFP 的分布操作都是可微的。这意味着你可以对 log_prob 求梯度，然后用梯度下降优化参数。这是变分推断和 HMC 的基础。

# 演示可微性
x = tf.Variable(0.5)
with tf.GradientTape() as tape:
    dist = tfp.distributions.Normal(loc=0., scale=1.)
    log_prob = dist.log_prob(x)

grad = tape.gradient(log_prob, x)
print("梯度:", grad)  # 输出 -0.5，因为正态分布的 log_prob 对 x 的导数是 -x

嗯，到这里，TFP 的基础你已经掌握了。下一章我们会用这些工具搭建第一个完整的贝叶斯模型。记住，工具是死的，但组合方式是活的。多动手试试，你会发现 TFP 的强大之处。

← 上一章 📖 返回目录 下一章 →