如何在 Tensorflow 中执行核密度估计答案

【问题标题】：How to perform Kernel Density Estimation in Tensorflow如何在 Tensorflow 中执行核密度估计
【发布时间】：2018-09-22 10:19:09
【问题描述】：

我正在尝试在 Tensorflow 中编写核密度估计算法。

在拟合 KDE 模型时，我正在遍历当前批次中的所有数据，并且我正在使用 tensorflow.contrib.distributions.MultivariateNormalDiag 对象为每个数据创建一个内核： self.kernels = [MultivariateNormalDiag(loc=data, scale=bandwidth) for data in X]

稍后，当尝试预测数据点相对于上面拟合的模型的可能性时，对于我正在评估的每个数据点，我将上面每个内核给出的概率相加： tf.reduce_sum([kernel._prob(X) for kernel in self.kernels], axis=0)

这种方法仅在 X 是一个 numpy 数组时才有效，因为 TF 不允许您遍历张量。我的问题是，是否有办法使上述算法与X 一起作为tf.Tensor 或tf.Variable 工作？

【问题讨论】：

标签： python tensorflow kernel-density

【解决方案1】：

我为这个问题找到的一个答案解决了拟合 KDE 和一举预测概率的问题。不过，实现有点hacky。

def fit_predict(self, data):
    return tf.map_fn(lambda x: \ 
        tf.div(tf.reduce_sum(
            tf.map_fn(lambda x_i: self.kernel_dist(x_i, self.bandwidth).prob(x), self.fit_X)),
            tf.multiply(tf.cast(data.shape[0], dtype=tf.float64), self.bandwidth[0])), self.X)

第一个tf.map_fn 遍历我们正在计算可能性的数据，将每个单独内核的概率相加。

第二个tf.map_fn 遍历我们用于拟合模型的所有数据，并创建一个tf.contrib.distributions.Distribution（此处由kernel_dist 参数化）。

self.X 和self.fit_X 是在初始化KernelDensity 对象时创建的占位符。

【讨论】：