如何将自定义函数应用于PyMC中的变量？

Question

在我写的模型中，我必须计算一个数量的误差函数。我正在试图做的是这样的：

from math import erf 
import numpy as np 
import pymc as pm 

sig = pm.Exponential('sig', beta=0.1, size=10) 
x = erf(sig ** 2) 

因为erf不会对数组工作，就会失败。我想：

@pm.deterministic 
def x(sig=sig): 
    return [erf(s) for s in sig] 

，但没有成功，我知道这是可能得到与结果：

np_erf = np.vectorize(erf) 
x = np_erf((sig ** 2).value) 

但是这似乎并不像正确的做法，因为它不会产生pm.Deterministic但只是一个np.array。我该怎么做呢？ （PyMC是2.3版本）

---

编辑：以上的例子进行了简化为清楚起见，这里的什么相关的段落看在真正的代码。理想情况下，我想这个工作：

mu = pm.LinearCombination('mu', [...], [...]) 
sig2 = pm.exp(mu) ** 2 
f = 1/(pm.sqrt(np.pi * sig2/2.0) * erf(W/sig2)) 

但如果失败与消息TypeError: only length-1 arrays can be converted to Python scalars。去np.vectorize路线

np_erf = np.vectorize(erf) 
f = 1/(pm.sqrt(np.pi * sig2/2.0) * np_erf(W/sig2)) 

崩溃与相同的错误信息。该列表理解

@pm.deterministic 
def f(sig2=sig2): 
    return [1/(pm.sqrt(np.pi * s/2.0) * erf(W/s)) for s in sig2] 

作品本身，而是导致在后面的代码中的错误，在这个地方：

@pm.observed(plot=True) 
def y(value=df['dist'], sig2=sig2, f=f): 
    return (np.log(np.exp(-(value ** 2)/2.0/sig2) * f)).sum() 

，误差在AttributeError: log。

我已经使用数值近似计算了误差函数，这应该表示一般设置是正确的。直接使用erf函数会更好，更清晰。

Answer 1

我找到了解决方案。我没有意识到如果您使用装饰器创建了一个变量，传递给该函数的参数是numpy.array，而不是pymc.Distribution。这允许numpy.vectorize函数并将其应用于变量。因此，而不是

sig = pm.Exponential('sig', beta=0.1, size=10) 
x = erf(sig ** 2) 

你需要使用

sig = pm.Exponential('sig', beta=0.1, size=10) 
np_erf = np_vectorize(erf) 

@pm.deterministic 
def x(sig=sig): 
    return np_erf(sig ** 2) 

和它的作品。

Answer 2

“没有成功”，你的意思是什么？什么是错误？

我注意到你没有在列表理解中使你的sigma平方。这是问题吗？