MindSpore社区8月新社区群组介绍系列之二

SIG-DPP

继昨天发布的MindSpore社区8月新社区群组介绍系列之一——SIG-MSLITE（☚点击可回顾）向大家介绍了MindSpore推出的端云协同、轻量化、高性能AI推理框架MindSpore Lite，可以满足越来越多的端侧AI应用需求。

MindSpore社区将持续优化各项功能提供最佳操作体验，今天向大家介绍旨在“无缝”融合深度学习模型和概率学习模型——MindSpore深度概率编程（MDP），相信在日常工作中有了MDP的协助，能更加高效的完成各项任务，接下来让我们来一起了解MDP是什么吧~

为什么MindSpore社区要做深度概率编程库？

相比于传统的深度神经网络模型，深度概率模型(Deep Probabilistic Programming Model )具有更好的鲁棒性和可解释性。但是深度概率模型需要用户理解概率模型的建模思维和编程方法，因此对于传统深度学习开发者而言有较高门槛。

MindSpore深度概率编程库与清华大学的ZhuSuan相结合，提供与深度学习无缝融合的高效贝叶斯学习编程库，可以帮助开发者们更好的理解和学习。

MindSpore深度概率编程库特点

MindSpore深度概率编程（MDP）旨在“无缝”融合深度学习模型和概率学习模型，满足不同用户的需求：

• 对于深度学习的用户

MDP支持深度神经网络一键转贝叶斯神经网络，方便上手，并提供不确定性估计等面向具体应用场景的工具箱；

• 对于专业的概率学习用户

MDP提供通用、模块化的高性能贝叶斯建模和推断方法库，包括概率采样库、贝叶斯神经网络，概率推断算法等，帮助用户更加快速、简洁地进行概率编程。

MindSpore下一步工作计划

• 增加BNN layers的实现方法，包括Local Reparameteration、Flipout等典型方法；
• 丰富面向具体应用场景的工具箱，提供OoD（Out of Distribution）检测等功能；
• 增加马尔可夫链蒙特卡洛(MCMC)方法，用于支持数据生成和推理等模型功能；
• 增加贝叶斯上下文管理，用于支持构建复杂的贝叶斯模型。

如何参与SIG-DPP

参加社区开发非常简单：

1. 请先查看SIG-DPP的立项文档：

https://gitee.com/mindspore/mindspore/issues/I1RG6C

如果你有任何问题，欢迎联系SIG Lead，来自清华大学的陈键飞博士(主要研究为贝叶斯推理，深度生成模型和图模型等)

2. 查看MDP代码：

https://gitee.com/mindspore/mindspore/tree/r0.7/mindspore/nn/probability

3. 在社区提交ISSUE或者PR，正式开始提出你的问题或者做出你的贡献

4. 微信添加好友搜索：mindspore0328

MindSpore官方资料

GitHub:https://github.com/mindspore-ai/mindspore

Gitee:https://gitee.com/mindspore/mindspore

官方QQ群: 871543426

扫描下方二维码关注↓