Probabilistic-Backpropagation - GitLite

KO | EN

gitlite — search

#python #react #golang #android #rust #deep-learning #nodejs #java #awesome #vue #security #pytorch #mcp #open-source

Probabilistic-Backpropagation

(★ 193)

Implementation in C and Theano of the method Probabilistic Backpropagation for scalable Bayesian inference in deep neural networks.

파일 탐색기

최종 버전 다운로드 (.zip)

- - compile.sh
  - network.c
  - network.h
  - pbp.pyx
  - PBP_net.py
  - pnorm.c
  - pnorm.h
  - setup.py
- boston_housing.txt
- test_PBP_net.py
- - network.py
  - network_layer.py
  - pbp.py
  - PBP_net.py
  - prior.py
- boston_housing.txt
- test_PBP_net.py
LICENSE
README.md

# 설치 가이드

1. 코드 내려받기

git clone https://github.com/HIPS/Probabilistic-Backpropagation

깃허브에서 프로젝트 코드 전체를 내 컴퓨터로 내려받습니다.

cd Probabilistic-Backpropagation

방금 내려받은 프로젝트 폴더 안으로 이동합니다.

2. Python

쉬움 추천

사전 준비물

Git GitHub에서 프로젝트 코드를 내려받으려면 필요합니다.
Python 3 설치 시 'Add Python to PATH' 옵션을 꼭 체크하세요 (Windows).

⚠️ 이 프로젝트는 규모가 큰 저장소라, 이 방법이 실제 핵심 제품이 아니라 내부 하위 패키지를 가리키는 것일 수 있습니다. README 전체를 함께 확인해보세요.

pip install .

PyPI에 배포된 패키지를 바로 설치합니다. 소스 클론이 필요 없습니다.

python <실행할 파일명>.py # README에서 정확한 실행 파일명을 확인하세요

파이썬 스크립트(또는 모듈)를 실행합니다.

✅ 에러 메시지 없이 실행되고 터미널에 안내 문구가 출력되면 정상입니다.

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# Probabilistic-Backpropagation
Implementation in C and Theano of the method Probabilistic Backpropagation for
scalable Bayesian inference in deep neural networks.

There are two folders "c" and "theano" containing implementations of the code
in "c" and in "theano". The "c" version of the code is between 20 and 4 times
faster than the theano version depending on the neural network size and the
dataset size.  To use the "c" version go to the folder "c/PBP_net" and run the
script "compile.sh". You will need to have installed the "openblas" library for
fast numerical algebra operations and "cython". For maximum speed, we recommend
you to compile yourself the "open blas" library in your own machine. To compile
the "c" code type

$ cd c/PBP_net ; ./compile.sh

In each folder, "c" and "theano", the python script test_PBP_net.py creates a
two-hidden-layer neural network with 50 hidden units in each layer and fits a
posterior approximation using the probabilistic backpropagation (PBP) method by
doing 40 ADF passes over the training data. The data used is from the Boston
Housing dataset.  After the training, the script "test_PBP_net.py" computes and
prints the test RMSE and the test log-likelihood. To run the script type

$ python test_PBP_net.py