PyMC

PyMC（曾叫做PyMC3^[1]）是一个Python包，用于贝叶斯统计建模和概率机器学习，它聚焦于高级马尔可夫链蒙特卡洛法和变分拟合算法^[2][3][4]。

PyMC

原作者	PyMC开发团队
首次发布	2013年5月4日 (2013-05-04)
当前版本	5.16.2（2024年7月11日 (2024-07-11)）
源代码库	https://github.com/pymc-devs/pymc
编程语言	Python
操作系统	类Unix, Mac OS X, Microsoft Windows
平台	Intel x86 – 32-bit, x64
类型	统计包（英语：List of statistical software）
许可协议	Apache License, Version 2.0
网站	www.pymc.io

概述

PyMC曾经叫做PyMC3，不同于早先的使用Fortran扩展进行计算的PyMC2，它依靠Theano来进行自动微分、计算优化和动态C语言编译^[3][5]。从版本3.8开始PyMC依据ArviZ（英语：ArviZ）来进行数据可视化和贝叶斯推断的探索分析（英语：Exploratory data analysis）^[6]。PyMC和Stan（英语：Stan (software)）是两个最流行的概率编程工具^[7]。

PyMC是开源项目，由社区开发并在财务上得到NumFocus赞助^[8]。PyMC已经在很多领域中被用于解决推断问题，包括天文学^[9][10]、流行病学^[11][12]、分子生物学^[13]、晶体学^[14][15]、化学^[16]、生态学^[17][18]和心理学^[19]。

在Theano于2017年宣布计划停止开发之后^[20]，PyMC团队曾评估采用TensorFlow Probability^[21]作为计算后端^[22]，但是在2020年接管Theano的开发^[23]。在2021年1月绝大部分的Theano代码基被重新建造，并增加了通过JAX和Numba的编译，修订后的这个计算后端以新名字Aesara发行。PyMC团队在2021年6月将PyMC3更名为PyMC^[1]。2022年11月28日，PyMC团队宣布采用从Aesara计划分叉出PyTensor^[24]。

推论引擎

PyMC实现了不基于梯度的和基于梯度的马尔可夫链蒙特卡洛（MCMC）算法用于贝叶斯推断和随机（Stochastic（英语：Stochastic）），基于梯度的变分贝叶斯方法用于近似贝叶斯推断。

• MCMC算法：
  • No-U-Turn采样（NUTS）^[25]，是哈密顿蒙特卡洛（英语：Hamiltonian Monte Carlo）的变体和PyMC3用于连续变量的缺省引擎。
  • 梅特罗波利斯-黑斯廷斯算法，是PyMC3用于离散变量的缺省引擎。
  • 顺序蒙特卡洛算法。
• 变分推断算法：
  • 黑箱变分推断^[26]。

参见

• Stan（英语：Stan (software)）是用C++编写统计推论的概率编程语言。