gpytorch
v1.13
GpyTorch es una biblioteca de procesos gaussiana implementada con Pytorch. GpyTorch está diseñado para crear modelos de procesos gaussianos escalables, flexibles y modulares con facilidad.
Internamente, Gpytorch difiere de muchos enfoques existentes para la inferencia GP mediante la realización de la mayoría de las operaciones de inferencia utilizando técnicas numéricas de álgebra lineal como gradientes conjugados preacondicionados. La implementación de un método GP escalable es tan simple como proporcionar una rutina de multiplicación de matriz con la matriz del núcleo y su derivado a través de nuestra interfaz linealOperator, o componiendo muchos de nuestros LinearOperators ya existentes. Esto permite no solo una fácil implementación de técnicas de GP escalables populares, sino también para una utilización significativamente mejorada de la computación de GPU en comparación con los solucionadores basados en la descomposición de Cholesky.
GpyTorch proporciona (1) aceleración significativa de la GPU (a través de la inferencia basada en MVM); (2) implementaciones de última generación de los últimos avances algorítmicos para la escalabilidad y flexibilidad (esquí/beso-gp, expansiones estocásticas de lanczos, amor, salto, aprendizaje de núcleo profundo estocástico, ...); (3) Integración fácil con marcos de aprendizaje profundo.
Vea nuestra documentación, ejemplos, tutoriales sobre cómo construir todo tipo de modelos en Gpytorch.
Requisitos :
Instale GpyTorch con PIP o conda:
pip install gpytorch
conda install gpytorch -c gpytorch (Para usar paquetes a nivel mundial pero instale GpyTorch como un paquete solo para el usuario, use pip install --user arriba).
Para actualizar a la última versión (inestable), ejecute
pip install --upgrade git+https://github.com/cornellius-gp/linear_operator.git
pip install --upgrade git+https://github.com/cornellius-gp/gpytorch.gitSi está contribuyendo con una solicitud de extracción, es mejor realizar una instalación manual:
git clone https://github.com/cornellius-gp/gpytorch.git
cd gpytorch
pip install -e .[dev,docs,examples,keops,pyro,test] # keops and pyro are optional Nota : Paquete AUR experimental. Para la mayoría de los usuarios, recomendamos la instalación por conda o pip.
GpyTorch también está disponible en el repositorio de usuarios de Archlinux (AUR). Puede instalarlo con un ayudante Aur, como yay , como sigue:
yay -S python-gpytorch Para discutir cualquier problema relacionado con este paquete AUR, consulte la sección de comentarios de python-gpytorch .
Si usa gpytorch, cite los siguientes documentos:
Gardner, Jacob R., Geoff Pleiss, David Bindel, Kilian Q. Weinberger y Andrew Gordon Wilson. "GpyTorch: Blackbox Matrix-Matrix Gaussian Process Inferencia con la aceleración de GPU". En Avances en Sistemas de Procesamiento de Información Neural (2018).
@inproceedings{gardner2018gpytorch,
title={GPyTorch: Blackbox Matrix-Matrix Gaussian Process Inference with GPU Acceleration},
author={Gardner, Jacob R and Pleiss, Geoff and Bindel, David and Weinberger, Kilian Q and Wilson, Andrew Gordon},
booktitle={Advances in Neural Information Processing Systems},
year={2018}
}
Consulte las pautas contribuyentes que contribuyen. MD para obtener información sobre la presentación de problemas y las solicitudes de extracción.
GpyTorch se mantiene principalmente por:
Nos gustaría agradecer a nuestros otros contribuyentes, incluidos (entre otros) Eytan Bakshy, Wesley Maddox, Ke Alexander Wang, Ruihan Wu, Sait Cakmak, David Eriksson, Sam Daulton, Martin Jankowiak, Sam Stanton, Zitong Zhou, David Arbor, Karthik Rajkumar, Bram Wallace, Jared Frank, y muchos más!
El desarrollo de GpyTorch está respaldado por la financiación de la Fundación Bill y Melinda Gates, la Fundación Nacional de Ciencias, SAP, la Fundación Simons y la Gatsby Charitable Trust.
GpyTorch tiene licencia MIT.
