GPflow 2.0 是否支持将先验放在 GP 的（超）参数上？
Does GPflow 2.0 support putting priors on (hyper)parameters of GPs?
我想先了解一下 GPflow 中 GP 模型的（超）参数，但我找不到任何关于此问题的模块（如 gpflow.priors）或文档。
此外，我注意到 prior 是 class parameter, together with a 的参数之一。
GPflow 2.0 使用 tensorflow_probability 分布对象作为先验，例如
model.kernel.lengthscales.prior = tensorflow_probability.distributions.Gamma(
gpflow.utilities.to_default_float(1.0), gpflow.utilities.to_default_float(1.0)
)
（或将分布对象作为 gpflow.Parameter class 的 prior 参数传递）。请注意，默认情况下 TensorFlow 使用 float32，而对于 GP，我们通常希望在 float64 中工作 - 因此调用 to_default_float.
这个在文档中都有提到，都在notebook on understanding models and discussed in depth in the notebook on how to use MCMC with GPflow.
我想先了解一下 GPflow 中 GP 模型的（超）参数，但我找不到任何关于此问题的模块（如 gpflow.priors）或文档。
此外，我注意到 prior 是 class parameter, together with a
GPflow 2.0 使用 tensorflow_probability 分布对象作为先验，例如
model.kernel.lengthscales.prior = tensorflow_probability.distributions.Gamma(
gpflow.utilities.to_default_float(1.0), gpflow.utilities.to_default_float(1.0)
)
（或将分布对象作为 gpflow.Parameter class 的 prior 参数传递）。请注意，默认情况下 TensorFlow 使用 float32，而对于 GP，我们通常希望在 float64 中工作 - 因此调用 to_default_float.
这个在文档中都有提到，都在notebook on understanding models and discussed in depth in the notebook on how to use MCMC with GPflow.