推荐开源项目：`sbi`——基于仿真的推断工具包-优快云博客

本文链接：https://blog.youkuaiyun.com/gitblog_00912/article/details/142806941

推荐开源项目：`sbi`——基于仿真的推断工具包

sbi Simulation-based inference toolkit 项目地址: https://gitcode.com/gh_mirrors/sb/sbi

项目介绍

sbi 是一个专为基于仿真的推断设计的 Python 包，旨在满足研究人员和从业者的需求。无论您需要精细控制还是简单易用的界面，sbi 都能为您提供支持。

通过 sbi，您可以使用贝叶斯推断进行参数推断：给定一个模拟真实世界过程的仿真器，sbi 根据观测数据估计仿真器参数的完整后验分布。该分布不仅指示最可能的参数值，还能量化不确定性并揭示参数间的潜在交互。

项目技术分析

sbi 提供了灵活性和易用性的完美结合：

低级接口：对于那些需要最大程度控制推断过程的人来说，sbi 提供了低级接口，允许您精细调整工作流的许多方面。
高级接口：如果您偏好简洁和高效，sbi 也提供了高级接口，使复杂推断任务的实现变得快速而简单。

此外，sbi 支持多种最先进的推断算法，包括：

摊销方法：这些方法允许在多个观测之间重用后验估计器，而无需重新训练。
顺序方法：这些方法专注于单个观测，优化所需的仿真次数。

除了推断功能，sbi 还提供了：

验证工具：内置方法以验证和确认您推断后验的准确性。
绘图和分析工具：全面的函数用于可视化和分析结果，帮助您轻松解释后验分布。

项目及技术应用场景

sbi 适用于多种应用场景，包括但不限于：

科学研究和实验：在物理、生物、经济学等领域，通过仿真模型进行参数估计和不确定性分析。
机器学习和人工智能：在缺乏显式似然函数的情况下，进行模型参数的贝叶斯推断。
工程和系统建模：在复杂系统建模中，利用仿真数据进行参数优化和验证。

项目特点

灵活性和易用性：既提供低级接口供专家精细控制，也提供高级接口供初学者快速上手。
丰富的算法支持：涵盖多种先进的推断算法，如 NPE、SNPE、NLE、SNLE、NRE、SNRE 等。
强大的工具集：内置验证、绘图和分析工具，帮助用户全面理解和验证推断结果。
社区支持：作为开源项目，sbi 拥有活跃的社区，欢迎用户反馈和贡献。

入门指南

安装 sbi 非常简单，只需几步即可完成：

创建 Conda 环境（如果使用 Conda）：

conda create -n sbi_env python=3.9 && conda activate sbi_env

安装 sbi：
```
pip install sbi
```

测试安装：

打开 Python 提示符并运行：

from sbi.examples.minimal import simple
posterior = simple()
print(posterior)

教程资源

如果您是 sbi 的新用户，建议从入门教程开始。您还可以通过 GitHub 的 Codespace 直接在浏览器中运行这些教程。

反馈和贡献

我们欢迎任何关于 sbi 在您推断问题中的使用反馈（见讨论区），并乐于接受错误报告、拉取请求和其他反馈（见贡献指南）。我们希望维护一个积极的社区，请阅读我们的行为准则。

致谢

sbi 是 delfi 包（使用 PyTorch）的后继者，起源于 Conor M. Durkan 的 lfi 的一个分支。sbi 作为社区项目运行，感谢所有贡献者。

支持

sbi 得到了德国联邦教育与研究部（BMBF）通过项目 ADIMEM、SiMaLeSAM 和图宾根 AI 中心的支持。自 2024 年起，sbi 由 appliedAI 欧洲研究所支持。

许可证

Apache 许可证版本 2.0 (Apache-2.0)

引用

如果您在研究中使用了 sbi，请考虑引用 sbi 软件论文以及描述您所使用具体 sbi 算法的原始研究文章。

@article{tejero-cantero2020sbi,
  doi = {10.21105/joss.02505},
  url = {https://doi.org/10.21105/joss.02505},
  year = {2020},
  publisher = {The Open Journal},
  volume = {5},
  number = {52},
  pages = {2505},
  author = {Alvaro Tejero-Cantero and Jan Boelts and Michael Deistler and Jan-Matthis Lueckmann and Conor Durkan and Pedro J. Gonçalves and David S. Greenberg and Jakob H. Macke},
  title = {sbi: A toolkit for simulation-based inference},
  journal = {Journal of Open Source Software}
}

立即尝试 sbi，开启您的基于仿真的推断之旅！

sbi Simulation-based inference toolkit 项目地址: https://gitcode.com/gh_mirrors/sb/sbi

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考