gpytorch
v1.13
GPYTORCH est une bibliothèque de processus gaussienne implémentée à l'aide de Pytorch. GPYTORCH est conçu pour créer facilement des modèles de processus gaussiens évolutifs, flexibles et modulaires.
En interne, GPYTORCH diffère de nombreuses approches existantes de l'inférence GP en effectuant la plupart des opérations d'inférence en utilisant des techniques d'algèbre linéaire numérique comme des gradients de conjugués préconditionnés. La mise en œuvre d'une méthode GP évolutive est aussi simple que de fournir une routine de multiplication matricielle avec la matrice du noyau et sa dérivée via notre interface linéaire, ou en composant bon nombre de nos LinearOperators déjà existants. Cela permet non seulement une mise en œuvre facile des techniques de GP évolutives populaires, mais souvent aussi pour une utilisation considérablement améliorée de l'informatique GPU par rapport aux solveurs basés sur la décomposition de Cholesky.
GPYTORCH fournit (1) une accélération significative du GPU (par l'inférence basée sur MVM); (2) les implémentations de pointe des dernières avancées algorithmiques pour l'évolutivité et la flexibilité (ski / kiss-gp, extensions stochastiques de Lanczos, amour, skip, apprentissage du noyau profondément variationnel stochastique, ...); (3) Intégration facile avec les cadres d'apprentissage en profondeur.
Voir notre documentation, exemples, tutoriels sur la façon de construire toutes sortes de modèles dans gpytorch.
Exigences :
Installez gpytorch à l'aide de PIP ou Conda:
pip install gpytorch
conda install gpytorch -c gpytorch (Pour utiliser les packages à l'échelle mondiale mais installer GPYTORCH comme un package uniquement utilisateur, utilisez pip install --user ci-dessus.)
Pour passer à la dernière version (instable), exécutez
pip install --upgrade git+https://github.com/cornellius-gp/linear_operator.git
pip install --upgrade git+https://github.com/cornellius-gp/gpytorch.gitSi vous contribuez une demande de traction, il est préférable d'effectuer une installation manuelle:
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 Remarque : package AUR expérimental. Pour la plupart des utilisateurs, nous recommandons l'installation de Conda ou PIP.
GPYTORCH est également disponible sur le référentiel d'utilisateurs Archlinux (AUR). Vous pouvez l'installer avec une aide AUR, comme yay , comme suit:
yay -S python-gpytorch Pour discuter de tout problème lié à ce package AUR, reportez-vous à la section des commentaires de python-gpytorch .
Si vous utilisez gpytorch, veuillez citer les articles suivants:
Gardner, Jacob R., Geoff Pleiss, David Bindel, Kilian Q. Weinberger et Andrew Gordon Wilson. "GPYTORCH: Blackbox Matrix-Matrix Gaussian Process Inférence avec l'accélération GPU." Dans Advances in Neural Information Processing Systems (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}
}
Voir les directives contributives contribution.md pour obtenir des informations sur la soumission des questions et les demandes de traction.
Gpytorch est principalement maintenu par:
Nous tenons à remercier nos autres contributeurs, y compris (mais sans s'y limiter) Eytan Bakshy, Wesley Maddox, Ke Alexander Wang, Ruihan Wu, Sait Cakmak, David Eriksson, Sam Daulton, Martin Jankowiak, Sam Stanton, Zitong Zhou, David Arbor, Karthik Rajkim, Bram Wallace, Jared Frank, et beaucoup plus!
Le développement de GPYTORCH est soutenu par le financement de la Fondation Bill et Melinda Gates, de la National Science Foundation, de la SAP, de la Simons Foundation et du Gatsby Charitable Trust.
GPYTORCH est sous licence MIT.
