我正在尝试在Tensorflow概率中实施不确定性指导的连续学习，其中每个权重的学习率取决于权重不确定性
<strong>问题上下文：</strong>
我在第一层有一个非常简单的回归模型：
<code>feature_column.dense_features_v
我想做类似tfp.layers.Conv2DReparameterization的操作，但是更简单-没有先验等。
给出形状为<em> [num_particle
当使用中间张量流概率<code>DistributionLambda</code>层为模型创建自定义损失时，无需执行Eager就很容易，因
我想用张量流计算一些值的自相关。
我可以使用 scipy / numpy 进行计算，但我还没有弄清楚，是否可以使
我是张量流概率的新手。
我正在建立一个层次模型，为此我使用了<em> JointDistributionSequential </em> API：
我正在尝试使用tfp进行采样。从beta分布中抽取样本，并将结果作为概率输入来馈送以从二项式分布中抽
在MCMC期间对多个链进行采样时，我无法获得参数<code>parallel_iterations</code>代表什么。
mcmc.sample_chain
我正在建立张量流概率模型的混合体。一个给定模型的联合分布为：
<pre><code>one_network_prior = tfd.JointDi
如果这个菜鸟问题，我很抱歉，我发现这个主题的资源不足。
初始化tfp.distributions.HiddenMarkovModel类
我想导出HMM模型，因为每次训练都需要时间。我的方法是将所有矩阵保存在文件中。我想知道我可以做
在IDLE（默认python编辑器）中导入tensorflow_probability时出现错误。如果在VS代码中使用相同的代码，我不会
运行简单的贝叶斯回归模型，我无法在GPU上多次运行来复制结果。我想知道如何设置<code>tfp.mcmc.sample_chai
想象一下，我在张量流中构建了一个离散的随机变量。有没有一种方法可以得到P（X = k）和相关的概率
我正在尝试通过不同的常数求解同一ODE的许多实例。
这是我的代码：
<pre><code>import numpy as np
impo
我尝试将<code>tfd.TransformedDistribution</code>的堆栈作为双射子来训练<code>tfb.ffjord</code>。基本上，更多的双
我通常看到tfp MixtureNormal层的用法如下：
<pre class="lang-py prettyprint-override"><code>params_size = tfp.layers.Mixtur
我正在尝试使用张量流概率创建一个多元混合密度网络。通过上述框架，我可以访问为单变量案例提供
对于我的问题：
从有关“掩码自回归流”的论文以及随后的演讲中，我认为使用MAF的要点之一是它能够
我试图在TensorFlow-Probability中实现一个屏蔽的损失函数，该函数可以忽略标签中的NA。
这是常规张量
