今天，谷歌联合Columbia University、Adobe（就是你们知道的那个Adobe）提出深度概率编程语言Edward，我就其发布Edward的专业论文，给大家介绍一下，这个秒天秒地秒空气的牛逼哄哄的新语言（框架）。
为什么开发Edward？
因为现在的概率编程语言啊，
Too Young！Too Simple！
原文是这样的：
Rather, most existing probabilistic programming languages treat the inference engine as a black box,abstracted away from the model. These cannot capture the recent advances in probabilistic inference that reuse the model’s representation.
就是因为如今的概率编程语言，把引擎设置为一个黑箱。
其实这是把难度降低了，毕竟我们绝大多数用Keras这类框架的人，根本不去在意这个问题。而我们这些玩弄Keras的怪蜀黍们的应对的策略也很奔放——直接把Keras的源代码撬开改！
某科技媒体上的文章，说Edward是深度概率编程语言，然而，官网是这样的：
也就是说...这...是Python库啊。。。
Python库啊。。。
至少现在看，确实是Python库的吧。。。
文档中提到，支持的模型：
Directed graphical models
Neural networks (via libraries such as Keras and TensorFlow Slim)
Conditionally specified undirected models
Bayesian nonparametrics and probabilistic programs
也就是支持
定向图模型
神经网络（通过 Keras 和 TensorFlow Slim 等库）
条件特定的无向模型
贝叶斯非参数和概率程序
其实我还是觉得，就神经网络而言，Keras的易用性真的是太棒了！
在这里提一下，想上Edward之前先看看自己的Tensorflow的版本，Tensorflow作为一个日新月异的深度学习框架，肯定有不少人表示——给老子上最新的！
所以。。。你们就要GG了。。。
我不是针对你，我是说所有想玩Edward的同时还追求Tensorflow的，都要把版本弄回来。。。
在arXiv的论文中提到：
他的效率高很多，举个例子就是：他做蒙特卡罗哈密顿方法，效率比别人高35倍
在Edward里，随机变量的地位很高，是类对象。
先科普一个常识，张量，就是Tensor，就是Tensorflow的那个Tensor，也就是多维数组。
另外，每个随机变量
与张量
相关联，其表示单个样本
方法，例如以计算对数密度和该关联将随机变量嵌入到计算图形中，其中节点表示张量和边际上的操作，表示张量在它们之间通信的符号框架。
而这种设计有助于在计算图框架中开发概率程序，也是Edward堪称“语言”的地方吧。所有的计算都可以在图表上表示。这使得很容易组成具有复杂确定性结构的随机变量，比如说深层神经网络，一组不同的数学运算以及在同一框架上构建的第三方库。噢对了，这种的设计还能使随机变量的组合能够捕获复杂的随机结构。
举个例子：
随机变量是50维的，由随机张量
参数化。 获取对象运行图形：它从生成过程模拟并输出50个元素的二进制向量。
现在来实操一番：
当然了，安装的方法也是熟悉的味道。。
pip install edward
首先，定一个小目标，比如弄50个小数据
我们把y设置为一个在x附近有一丢丢摆动的正弦值。
定义一个两层贝叶斯网络，用tanh来定义非线性的神经网络
可能画出来会比较直观一点
是吧，跟段子一般的简单。接下来我们从数据反怼出模型，用边分推理对权重和偏差指定正态近似。
在这里科普一下什么是变分推理：
变分推断是一类用于贝叶斯估计和机器学习领域中近似计算复杂（intractable）积分的技术，变分推断限制近似分布的类型，从而得到一种局部的最优，但具有确定解的近似后验分布。需要提一下的是，虽然都是通过抽取大量的样本估计真实的后验分布，但是变分推断和猛上之后的蒙特卡洛方法是有大大的区别的。
在Edward中的变分推理的实现方法是酱紫的：
既然提到了Monte Carlo嘛。。。
在Edward中的Monte Carlo的实现是这样的。。。
其中，T为样本数量。
好的，那么我们就来做一个：
定义tf.Variable允许变分因子的参数变化。
它们都被初始化为0.用softplus transformation，使标准偏差参数被调整为大于零。
用Kullback-Leibler散度运行变分推理，以推断模型的给定数据的潜在变量。
科普时间到：
Kullback-Leibler散度也称为辨别信息，信息散度，信息增益，相对熵，KLIC，KL散度（我也不知道为什么名字那么的长啊长）。
它是在两个概率分布P和Q之间的差异的测量。在P和Q中不对称。P通常表示数据的“真实”分布，观察或精确计算的理论分布，而Q通常表示理论、模型、描述或近似。
我们就做个。。。1000次迭代吧？
最后，评价模型拟合水平。
贝叶斯神经网络定义了神经网络上的分布，因此我们可以执行图形检查，将模型打印出来，看看是不是和我们一开始定义的模型，也就是一个在余弦曲线上摆动有一定的摆动的图样。
显然，该模型真的已捕获观察域中x和y之间的余弦关系。
即，模型拟合通过。
原则上，就这么简单的通过了，但是Edward在安装的时候确实废了我不少心血，同时在调整模型的时候屡次GG，觉得。。。虽然它是个很棒的工具，从效率上来看（至少官方公布的效率，绝对是扛把子级别的）
原文发布时间为：2017-01-23
本文作者：那只猫
本文来自云栖社区合作伙伴“Python中文社区”，了解相关信息可以关注“Python中文社区”微信公众号
