加载中...
本文作者：合肥工业大学 管理学院 钱洋 email：1563178220@qq.com 内容可能有不到之处，欢迎交流。 未经本人允许禁止转载。
本博客对应的CSDN网址为：https://blog.csdn.net/qy20115549/article/details/86694325
本博客讲解的案例来源于Journal of the American Statistical Association期刊(顶刊)上的内容：
Blei D M, Kucukelbir A, McAuliffe J D. Variational inference: A review for statisticians[J]. Journal of the American Statistical Association, 2017, 112(518): 859-877.
欢迎关注 DataLearner 官方微信，获得最新 AI 技术推送
在之前的一篇博客中，已经介绍了变分推断的基本原理，下面将以高斯混合模型为例，推导变分推断的公式，并给出了CAVI算法流程。同时将使用python3实现这个小案例。
下图为为高斯混合模型的生成过程：
假设变分参数为：$m=(m_1,\ldots,m_K),s^2=(s_1^2,\ldots,s_K^2),\varphi=(\varphi_1,\ldots,\varphi_n)$，其中第一个和第二个是均值$\mu {k}$对应的两个变量，第三个参数为类别$c{i}$对应的变量。这三个参数决定了变分分布$q$.
在变分推断中，重要的是计算下界ELBO：
更新类别参数$\varphi$时，需要用到下面的公式：
下面便是$m_k$以及$m_k,s_k^2$的更新。
下图为完整的算法流程：
基于上面的计算公式以及算法流程，下面来写算法程序。以下将以python3进行实现。
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import matplotlib.mlab as mlab
class gmm():
def __init__(self, data, num_clusters, sigma=1):
'''initialization
model parameters(m,s2,phi)--need update
'''
self.data = data
self.K = num_clusters
self.n = data.shape[0]
self.sigma = sigma
self.phi = np.random.random([self.n,self.K]) # phi(matrix n*k)
self.m = np.random.randint(np.min(data), np.max(data), self.K).astype(float) # m(matrix 1*k)
self.s2 = np.random.random(self.K) # s2(matrix 1*k)
def compute_elbo(self):
'''calculate ELOB '''
p1 = -np.sum((self.m**2 + self.s2) / (2 * self.sigma**2))
p2 = (-0.5 * np.add.outer(self.data**, .m** + .s2) + np.outer(.data, .m))*(.phi)
p3 = -np.(np.log(.phi))
p4 = np.( * np.(np.log(.s2)))
elbo_c = p1 + np.(p2) + p3 + p4
elbo_c
():
e = np.outer(.data, .m) + (- * (.m** + .s2))[np.newaxis, :]
.phi = np.exp(e) / np.(np.exp(e), axis=)[:, np.newaxis]
.m = np.(.data[:, np.newaxis] * .phi, axis=)/( / .sigma** + np.(.phi, axis=))
.s2 = / ( / .sigma** + np.(.phi, axis = ))
():
elbo = []
elbo.append(.compute_elbo())
i (iters):
.update_bycavi()
elbo.append(.compute_elbo())
(, elbo[i])
np.(elbo[-] - elbo[-]) <= epsilon:
(,i)
elbo
():
sns.set_style()
i ((.n/size)):
sns.distplot(data[size*i : (i+)*size], rug=)
x = np.linspace(.m[i] - *.sigma, .m[i] + *.sigma, )
plt.plot(x,mlab.normpdf(x, .m[i], .sigma),color=)
plt.show()
__name__ == :
number =
clusters =
mu = np.array([, , , , ])
data = []
i (clusters):
data.append(np.random.normal(mu[i], , number))
data = np.concatenate(np.array(data))
model = gmm(data, clusters)
model.trainmodel(, )
(, (model.m))
model.plot(number)
执行该程序，控制台输出的结果为：
另外，matplotlib.pyplot绘图的结果为：
Blei D M, Kucukelbir A, McAuliffe J D. Variational inference: A review for statisticians[J]. Journal of the American Statistical Association, 2017, 112(518): 859-877.