本文介绍了如何使用 Infer.NET 进行概率性编程。 概率性编程是一种将自定义模型表示为计算机程序的机器学习方法。 借助它可以在模型中包含专业知识，使机器学习系统更易理解。 它还支持在线推断，即在新数据到达时进行学习的过程。 Azure、Xbox 及必应中的多种 Microsoft 产品均使用了 Infer.NET。
什么是概率性编程？
基于概率性编程，创建对真实世界过程的统计模型。
系统必备
-
本地.NET开发环境设置
创建应用程序
- 打开一个新的命令提示符，并运行下面的命令：
dotnet new console -o myApp cd myApp
dotnet 命令将创建 console 类型的 new 应用程序。 -o 参数将创建名称为 myApp 的目录，会在其中存储应用并填充所需的文件。 cd myApp 命令会将你转到新创建的应用目录。
安装 Infer.NET 包
需安装 Microsoft.ML.Probabilistic.Compiler 包才能使用 Infer.NET。 在命令提示符中运行下面的命令：
dotnet add package Microsoft.ML.Probabilistic.Compiler
设计模型
示例使用在室内中进行的乒乓球或桌上足球比赛。 我们具有参赛者的信息和每场比赛的结果。 我们想要通过此数据推断玩家的实力。 假设每位玩家的潜在实力呈正态分布，且他们在给定比赛中的表现是此实力受干扰后的状态。数据被设定的约束条件是赢家的表现大于输家的表现。 这是热门的 TrueSkill 模型的简化版，此模型也支持团队、平局及其他扩展项。 热销的 Halo 和 Gears of War 游戏中的比赛安排使用了此模型的高级版。
我们需要列出所推断玩家的实力以及他们的差异（衡量实力的不确定性）。
游戏结果示例数据
| 游戏 | 胜者 | 败者 |
|---|---|---|
| 1 | 玩家 0 | 玩家 1 |
| 2 | 玩家 0 | 玩家 3 |
| 3 | 玩家 0 | 玩家 4 |
| 4 | 玩家 1 | 玩家 2 |
| 5 | 玩家 3 | 玩家 1 |
| 6 | 玩家 4 | 玩家 2 |
仔细观察样本数据，你会发现玩家3和4都有1次胜利和1次失败。 让我们看看使用概率编程的排名是什么样的。另请注意基于我们开发的编码习惯，玩家编号是从零开始的，即使是室内游戏匹配列表也是从零开始的。
编写代码
设计模型后，就可以使用 Infer.NET 建模 API 将其表示为概率性程序。 在常用的文本编辑器中，打开 Program.cs，并将其所有内容替换为以下代码：
namespace myApp
{
using System;
using System.Linq;
using Microsoft.ML.Probabilistic;
using Microsoft.ML.Probabilistic.Distributions;
using Microsoft.ML.Probabilistic.Models;
class Program
{
static void Main(string[] args)
{
// The winner and loser in each of 6 samples games
var winnerData = new[] { 0, 0, 0, 1, 3, 4 };
var loserData = new[] { 1, 3, 4, 2, 1, 2 };
// Define the statistical model as a probabilistic program
var game = new Range(winnerData.Length);
var player = new Range(winnerData.Concat(loserData).Max() + 1);
var playerSkills = Variable.Array<double>(player);
playerSkills[player] = Variable.GaussianFromMeanAndVariance(6, 9).ForEach(player);
var winners = Variable.Array<int>(game);
var losers = Variable.Array<int>(game);
using (Variable.ForEach(game))
{
// The player performance is a noisy version of their skill
var winnerPerformance = Variable.GaussianFromMeanAndVariance(playerSkills[winners[game]], 1.0);
var loserPerformance = Variable.GaussianFromMeanAndVariance(playerSkills[losers[game]], 1.0);
// The winner performed better in this game
Variable.ConstrainTrue(winnerPerformance > loserPerformance);
}
// Attach the data to the model
winners.ObservedValue = winnerData;
losers.ObservedValue = loserData;
// Run inference
var inferenceEngine = new InferenceEngine();
var inferredSkills = inferenceEngine.Infer<Gaussian[]>(playerSkills);
// The inferred skills are uncertain, which is captured in their variance
var orderedPlayerSkills = inferredSkills
.Select((s, i) => new { Player = i, Skill = s })
.OrderByDescending(ps => ps.Skill.GetMean());
foreach (var playerSkill in orderedPlayerSkills)
{
Console.WriteLine($"Player {playerSkill.Player} skill: {playerSkill.Skill}");
}
}
}
}
运行你的应用
在命令提示符中运行下面的命令：
dotnet run
结果
结果应如下所示：
Compiling model...done. Iterating: .........|.........|.........|.........|.........| 50 Player 0 skill: Gaussian(9.517, 3.926) Player 3 skill: Gaussian(6.834, 3.892) Player 4 skill: Gaussian(6.054, 4.731) Player 1 skill: Gaussian(4.955, 3.503) Player 2 skill: Gaussian(2.639, 4.288)
在结果中，请注意，根据我们的模型，玩家3的排名略高于玩家4。 这是因为玩家3战胜了玩家1的意义大于玩家4战胜玩家2的意义 - 注意玩家1击败过玩家2，玩家0是总冠军！