Pyro es un lenguaje de programación probabilístico universal, escrito en Python y apoyado por PyTorch. Ahora está disponible en la plataforma de aprendizaje Watson, de IBM. Pyro de hecho, se usa para desarrollar modelos probabilísticos avanzados y usa algoritmos de inferencia estocástica variacional y distribución de probabilidad, construidos sobre PyTorch 0.4, un entorno de aprendizaje profundo basado en GPUs. Pyro usa también Poutine, una biblioteca para modificar el comportamiento de los programas probabilísticos. Esto significa que se pueden acomodar algoritmos complejos o específicos a un modelo.
Los desarrolladores de Pyro dicen que el sistema unifica lo mejor del aprendizaje profundo moderno y del modelo bayesiano. Se diseñó para ser universal en la medida de lo posible, con la intención de ser capaz de representar una distribución de probabilidad computable. Pyro se ha diseñado para ser escalable y además, intencionalmente mínimo, para poderse implementar con un pequeño núcleo de abstracciones compuestas y poderosas. Por ejemplo, Pyro puede ser usado para describir problemas de inferencia, que a grosso modo se pueden traducir como: “¿Qué debe ser verdadero si esta elección azarosa tiene un valor específico observado?”.
Pyro Now On Watson Machine Learning. #BigData #Analytics #MachineLearning #DataScience #AI #IoT #IIoT #Python #RStats #TensorFlow #JavaScript #ReactJS #VueJS #GoLang #CloudComputing #Serverless #DataScientist #Linux https://t.co/J4Z312YD8l pic.twitter.com/usqVosrb5I
— Dr. GP Pulipaka (@gp_pulipaka) November 24, 2018
Los sistemas de programación probabilística dan algoritmos de inferencia universal que pueden ejecutar inferencias con la mínima intervención del usuario. En Pyro, uno describe la inferencia en un modelo a través de un segundo modelo llamado un “modelo inferencial” o una guía en Pyro. Esto quiere decir que no es posible escribir la “guía correcta”, de manera que lo que se hace es especificar una familia de guías con parámetros. Entonces se optimiza el modelo y se mueve la guía para acercarse a lo que se busca. La optimización se automatiza a través de diferenciación automática.
Pyro Now On Watson Machine Learning @KayEwbank reports Pyro, a universal probabilistic programming language (PPL) written in Python and supported by @PyTorch on the backend, now available on @IBMWatson #machine_learning platform https://t.co/YVY1ct65Qi
— I Programmer (@Iprogrammerinfo) November 23, 2018
Pyro está comstruido sobre la biblioteca PyTorch, la que incluye difenciación automática usando matemática tensorial a través de hardware de GPUs. PyTorch construye gradientes dinámicamente, que le permiten a los programas en Pyro incluir estructuras de control estocásticas, esto es, las elecciones al azar en un programa de Pyro pueden controlar la presencia de otras elecciones al azar en este programa. El control estocástico es crucial en este tipo de paradigmas probabilísticos.
Hay que indicar que en Pyro, tanto los modelos generativos como las guías de inferencia pueden incluir redes neuronales profundas como componentes. Los desarrolladores dicen que estos modelos probabilísticos han mostrado ser prometedores, especialmente en problemas no supervisados o semi-supervisados de aprendizaje de máquinas.