tensorflow打印模型结构_TensorFlow Probability概率编程时序模型

简介：本文使用TensorFlow Probability这一新的概率编程工具，通过实例介绍其中的时间序列建模。

一、背景

2018年在加利福尼亚州山景城召开的TensorFlow开发者峰会上，Google宣布了新的工具----TensorFlow Probability。TensorFlow Probability是一种提供先进贝叶斯建模的概率编程工具，作为Google当下力推的人工智能框架，当然也享有TensorFlow的便利--跨平台、多语言支持，以及针对机器学习和深度学习对算力要求颇高的分布式并行与GPUs/TPUs计算资源。更早的2017年Google便开发了深度概率编程语言Edward，加之最新更新的TensorFlow2.0，TensorFlow俨然构成了一个巍巍壮观的机器学习生态群。

      本文作者刚好在处理时间序列方面的应用，尝试了TensorFlow Probability，相对而言大家对于频率学派的统计机器学习更熟悉，加之TensorFlow Probability开源刚一年，鉴于当下相关资料非常少，尤其是时间序列模块是后来加入到TensorFlow Probability中，本文作为一种应用和介绍性质的推送，不会涉及过多公式等细节，更多的用贝叶斯建模在TensorFlow Probability上实现时间序列建模，探索其效果。机器学习的特点正是模型花样繁多，通常针对具体领域和不同的数据集尝试找到最优表现的模型，正如George E. P. Box那句振聋发聩的名言：“All models are wrong, but some are useful”。