Primeiros passos | Documentação | Comunidade | Contribuindo
Pyro é uma biblioteca de programação probabilística profunda flexível e escalável construída em PyTorch. Notavelmente, ele foi projetado com estes princípios em mente:
O Pyro foi originalmente desenvolvido na Uber AI e agora é mantido ativamente por colaboradores da comunidade, incluindo uma equipe dedicada do Broad Institute. Em 2019, o Pyro tornou-se um projeto da Linux Foundation, um espaço neutro para colaboração em software de código aberto, padrões abertos, dados abertos e hardware aberto.
Para mais informações sobre a motivação de alto nível do Pyro, confira nosso post de lançamento no blog. Para postagens adicionais no blog, confira o trabalho sobre design experimental e modelagem de tempo até evento no Pyro.
Instale usando pip:
pip install pyro-ppl
Instalar da fonte:
git clone [email protected]:pyro-ppl/pyro.git
cd pyro
git checkout master # master is pinned to the latest release
pip install .
Instale com pacotes extras:
Para instalar as dependências necessárias para executar os modelos probabilísticos incluídos nos diretórios de examples
/ tutorials
, utilize o seguinte comando:
pip install pyro-ppl[extras]
Certifique-se de que os modelos venham da mesma versão do código-fonte do Pyro que você instalou.
Para recursos recentes você pode instalar o Pyro a partir do código-fonte.
Instale o Pyro usando pip:
pip install git+https://github.com/pyro-ppl/pyro.git
ou, com a dependência extras
para executar os modelos probabilísticos incluídos nos diretórios de examples
/ tutorials
:
pip install git+https://github.com/pyro-ppl/pyro.git#egg=project[extras]
Instale o Pyro da fonte:
git clone https://github.com/pyro-ppl/pyro
cd pyro
pip install . # pip install .[extras] for running models in examples/tutorials
Consulte as instruções aqui.
Se você usa Pyro, considere citar:
@article{bingham2019pyro,
author = {Eli Bingham and
Jonathan P. Chen and
Martin Jankowiak and
Fritz Obermeyer and
Neeraj Pradhan and
Theofanis Karaletsos and
Rohit Singh and
Paul A. Szerlip and
Paul Horsfall and
Noah D. Goodman},
title = {Pyro: Deep Universal Probabilistic Programming},
journal = {J. Mach. Learn. Res.},
volume = {20},
pages = {28:1--28:6},
year = {2019},
url = {http://jmlr.org/papers/v20/18-403.html}
}