用Pytorch建模不确定性

理解和建模围绕机器学习预测的不确定性对任何生产模型至关重要。它提供了处理模型频串离其适用范畴太远的情况的句柄，进入使用预测的地区是彻底或彻头彻尾的危险。认为医疗诊断或自动驾驶汽车。

为简单起见，我们将考虑以下众所周知的正态分布，但该方法对于任何其他概率分布也是类似的。

设M（x，θ1）\ mu（x，θ1）μ（x，θ1）和σ（x，θ1）\ sigma（x，\ theta_1）σ（x，θ1）是两个子网络具有各自的培训参数Th 1 \ Theta_11 Th 1和Th 2 \Theta_2θ2。

l = 1 2（y - μ（x，θ1）σ（x，θ2））2 + log {2π⋅Σ（x，θ2）}（iii）\标签{iii} \ mathcal {l} = \ frac {1} {2}左（\ frac {y - \ mu（x，\ theta_1）} {\ sigma（x，\ theta_2）} \右）^ 2 + log \，\ left \ {\ ，\ sqrt {2 \ pi} \ cdot \ sigma（x，\ theta_2）\，\右\} l = 2 1（σ（x，θ2）y - μ（x，θ1）） 2 +日志{2π⋅Σ（x，θ2）}

模型 。 eval（）ronal_dist = model（x）＃使用形状（n，m）的x上的型号均值= normal_dist。均值＃检索以形状（n，）std = normal_dist的平均值。 stddev＃检索标准偏差（n，）

这种方法很容易和多功能 - 当我需要一个不确定感时，我是我的方法。