Декораторы в PyMC

У меня есть три вопроса относительно декораторов, на которые я не могу найти ответ:

Q1) Что обозначают аргументы декораторов 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) напечатать switchpoint.logp #распечатывает log-вероятность, как и ожидалось

2) print switchpoint.random # не генерирует случайное число

3) print switchpoint.random() # генерирует случайное число

4) распечатать switchpoint.logp() #error

Если 2 не сработало, а 3 сработало, то 1 не должен был сработать, а установленный 4 должен был сработать (что противоположно тому, что я наблюдал). Кто-нибудь может объяснить, что происходит?

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)

Здесь не указано, что это logp все равно, если я наберу switchpoint.logp, этот кусок кода будет выполнен?


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

Ответы (1)


arrow_upward
3
arrow_downward

Q1) Значение всех аргументов стохастика задокументировано здесь. Аргументы детерминированного те же, плюс дополнительные, задокументированные здесь< /а>.

Q2) Разница в поведении заключается в том, что внутри PyMC есть какая-то магия, которая фактически выполняет функцию switchpoint.logp и превращает ее в Python property, в то время как switchpoint.random не подвергается такой обработке и сохраняется как функция.

Если вам интересно, что на самом деле происходит, вот некоторые из соответствующих источник:

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 происходит кое-что еще, например, во время функции logp во что-то, называемое LazyFunction, но это основная идея.

Q3) В декораторе stochastic есть некоторая (еще одна) магия, которая использует самоанализ кода, чтобы определить, определены ли подфункции random и logp внутри switchpoint. Если да, то он использует подфункцию logp для вычисления logp, если нет, то просто использует саму switchpoint. Этот исходный код находится здесь:

# 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__

Опять же, происходит еще кое-что, и это довольно сложно, но это основная идея.

person dano    schedule 03.06.2014