使用 tfp.mcmc.大都会黑客作为物理模型

Question

我是Tensorflow新手，想使用Tensorflow概率库来模拟一个物理问题。Tensorflow附带了tfp.mcmc.MetropolisHastings函数，这是我想使用的算法。

我提供了我的初始分发。在我的情况下，这是一个2d网格，每个网格点上都有一个“旋转”（物理并不重要），可以是1或-1。新状态x'的提议应该是其中一个自旋翻转的旧网格，因此在一个点上1变为-1，反之亦然。我可以传递步长参数，但我的x不是我可以简单地增加的标量。如何对此进行建模？有没有办法传递更新规则，而不仅仅是将值增加一定的步长？

Answer 1

我刚刚回答了一个类似的问题使用张量流概率的RandomWalkMetropolis函数执行随机行走步骤

RandomWalkMetropolis接受构造函数参数new_state_fn，这是一个自定义建议函数，它使用以前的状态并返回建议。

# TF/TFP Imports
!pip install --quiet tfp-nightly tf-nightly
import tensorflow.compat.v2 as tf
tf.enable_v2_behavior()
import tensorflow_probability as tfp
tfd = tfp.distributions
tfb = tfp.bijectors
import matplotlib.pyplot as plt


def log_prob(x):
  return tfd.Normal(0, 1).log_prob(x)

def custom_proposal(state, extra):
  return state + tfd.Uniform(-.5, .75).sample()

kernel = tfp.mcmc.RandomWalkMetropolis(log_prob, new_state_fn=custom_proposal)
state = tfd.Normal(0, 1).sample()
extra = kernel.bootstrap_results(state)
samples = []
for _ in range(1000):
  state, extra = kernel.one_step(state, extra)
  samples.append(state)

plt.hist(samples, bins=20)