Декоратори в PyMC

Имам три въпроса относно декораторите, на които не мога да намеря отговор:

Q1) Какво означават аргументите към декораторите в PyMC (@Deterministic, @Stochastic)?

Q2)

@pymc.stochastic(dtype=int)
def switchpoint(value=10, t_l=0, t_h=110):
    def logp(value, t_l, t_h):
        if value > t_h or value < t_l:
            return -np.inf
        else:
            return -np.log(t_h - t_l + 1)
    def random(t_l, t_h):
        from numpy.random import random
        return np.round( (t_l - t_h) * random() ) + t_l

1)print switchpoint.logp #prints log-probability както се очаква

2)print switchpoint.random #не генерира произволно число

3)print switchpoint.random() # генерира произволно число

4)отпечатайте switchpoint.logp() #грешка

Ако 2 не работи и 3 работи, тогава 1 не трябва да работи и вместо 4 трябва да работи (което е обратното на това, което наблюдавах). Може ли някой да обясни какво се случва?

Q3)

@pymc.stochastic(dtype=int)
def switchpoint(value=1900, t_l=1851, t_h=1962):
    if value > t_h or value < t_l:
        # Invalid values
        return -np.inf
    else:
        # Uniform log-likelihood
        return -np.log(t_h - t_l + 1)

Тук не е посочено, че е logp все още, ако напиша switchpoint.logp, тази част от кода се изпълнява?


python decorator python-decorators mcmc pymc
person turing    schedule 03.06.2014    source източник

Отговори (1)


arrow_upward
3
arrow_downward

Q1) Значението на всички аргументи за stochastic е документирано тук. Аргументите за детерминистични са същите, плюс допълнителните, документирани тук.

Q2) Разликата в поведението е, че има някаква магия вътре в PyMC, която всъщност изпълнява функцията switchpoint.logp и я превръща в Python property, докато switchpoint.random не получава тази обработка и се запазва като функция.

Ако сте любопитни какво всъщност се случва, ето някои от съответните източник:

def get_logp(self):
    if self.verbose > 1:
        print '\t' + self.__name__ + ': log-probability accessed.'
    logp = self._logp.get()
    if self.verbose > 1:
        print '\t' + self.__name__ + ': Returning log-probability ', logp

    try:
        logp = float(logp)
    except:
        raise TypeError, self.__name__ + ': computed log-probability ' + str(logp) + ' cannot be cast to float'

    if logp != logp:
        raise ValueError, self.__name__ + ': computed log-probability is NaN'

    # Check if the value is smaller than a double precision infinity:
    if logp <= d_neg_inf:
        if self.verbose > 0:
            raise ZeroProbability, self.errmsg + ": %s" %self._parents.value
        else:
            raise ZeroProbability, self.errmsg

    return logp

def set_logp(self,value):
    raise AttributeError, 'Potential '+self.__name__+'\'s log-probability cannot be set.'

logp = property(fget = get_logp, fset=set_logp, doc="Self's log-probability value conditional on parents.")

Там се случват някои други неща, като по време на функцията logp в нещо, наречено LazyFunction, но това е основната идея.

Q3) Декораторът stochastic има малко (повече) магия в себе си, която използва интроспекция на кода, за да определи дали подфункциите random и logp са дефинирани вътре в switchpoint. Ако са, използва подфункцията logp, за да изчисли logp, ако не, използва само switchpoint. Този изходен код за това е тук:

# This gets used by stochastic to check for long-format logp and random:
if probe:
    # Define global tracing function (I assume this is for debugging??)
    # No, it's to get out the logp and random functions, if they're in there.
    def probeFunc(frame, event, arg):
        if event == 'return':
            locals = frame.f_locals
            kwds.update(dict((k,locals.get(k)) for k in keys))
            sys.settrace(None)
        return probeFunc

    sys.settrace(probeFunc)

    # Get the functions logp and random (complete interface).
    # Disable special methods to prevent the formation of a hurricane of Deterministics
    cur_status = check_special_methods()
    disable_special_methods()
    try:
        __func__()
    except:
        if 'logp' in keys:
            kwds['logp']=__func__
        else:
            kwds['eval'] =__func__
    # Reenable special methods.
    if cur_status:
        enable_special_methods()

for key in keys:
    if not kwds.has_key(key):
        kwds[key] = None

for key in ['logp', 'eval']:
    if key in keys:
        if kwds[key] is None:
            kwds[key] = __func__

Отново, случват се още неща и са доста сложни, но това е основната идея.

person dano    schedule 03.06.2014