在 GPflow 中重置内核超参数值

Question

我的用例是这样的：我有一个接受用户选择的内核的函数，然后我将遍历数据集中的每个日期，并使用高斯过程回归来估计使用指定内核的模型。但是，由于我指向内核对象，因此我需要在运行下一次迭代之前将其重置为默认值。

import gpflow

class WrapperClass(object):
    def __init__(self, kernel):
        super().__init__()
        self.kernel = kernel

    def fit(self, X, y):
        m = gpflow.models.GPR(X, y, self.kernel) # I need to reset the kernel here

# some code later
def some_function(Xs, ys, ts, f):
    for t in ts:
        X = Xs.loc[t]    # pandas dataframe
        y = ys.loc[t]    # pandas
        f.fit(X, y)

k1 = gpflow.kernels.RBF(1)
k2 = gpflow.kernels.White(0.1)
k = k1 + k2
f = WrapperClass(k)
sume_function(Xs, ys, ts, f)

我在内核中找到了 read_trainables() 方法，所以一种策略是保存用户提供的设置，但似乎没有任何方法可以设置它们？

In [7]: k1.read_trainables()
Out[7]: {'Sum/rbf/lengthscales': array(1.), 'Sum/rbf/variance': array(1.)}

干杯，史蒂夫

Answer 1

您可以使用 assign() 设置参数化对象（模型、内核、可能性等）的参数：k1.assign(k1.read_trainables())（或其他一些路径值对字典）。不过，您也可以创建一个新的内核对象！

请注意，每次您创建新的参数化对象时——这适用于内核和模型，就像在您的 fit() 方法中一样——您向张量流图添加操作，如果它增长很多。您可能想要研究手动处理 tf.Graph() 和 tf.Session() 以使它们对于每个模型都不同。（请参阅新 GPflow 文档中 session handling and further tips and tricks 上的笔记本。）

在 GPflow 中重置内核超参数值

Resetting kernel hyperparameter values in GPflow

python

machine-learning

gaussian

gpflow