DeepBayes 2018 年夏季学校研讨会

更多信息请访问 http://deepbayes.ru。

DeepBayes 2018 快速上手指南

本指南旨在帮助开发者快速体验 DeepBayes 2018 暑期学校的教学材料，涵盖贝叶斯深度学习相关的前沿内容。

环境准备

本项目主要基于 Python 和 Jupyter Notebook 运行。您有两种方式开始：

方案一：在线免安装（推荐）

无需配置本地环境，直接通过浏览器运行所有示例。

• 访问地址：点击 Binder 链接 即可自动加载环境并打开笔记本。

方案二：本地部署

若需在本地运行，请确保满足以下要求：

• 操作系统：Linux, macOS 或 Windows (WSL)
• Python 版本：建议 Python 3.6+
• 前置依赖：
  • Git
  • pip 或 conda 包管理器
  • 基础科学计算库（安装步骤中会自动处理）

国内加速提示：在使用 pip 安装包时，建议临时切换至清华或阿里云镜像源以提升下载速度。

安装步骤

如果您选择本地部署，请按以下步骤操作：

1. 克隆项目仓库

   git clone https://github.com/bayesgroup/deepbayes-2018.git
   cd deepbayes-2018
   

2. 创建虚拟环境（可选但推荐）

   python -m venv venv
   source venv/bin/activate  # Windows 用户使用: venv\Scripts\activate
   

3. 安装依赖库 注：国内用户建议使用如下命令加速安装

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   (如果项目中没有 requirements.txt，通常需手动安装核心库：pip install numpy scipy matplotlib jupyter torch tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple)

4. 启动 Jupyter Notebook

   jupyter notebook
   

   浏览器将自动打开，导航至项目目录即可看到各个讲座的 .ipynb 文件。

基本使用

本项目由一系列独立的 Jupyter Notebook 组成，每个文件对应一次研讨会或教程。

1. 选择教程 在 Jupyter 界面中，根据文件名选择感兴趣的课题（例如 lecture_01_intro.ipynb 或包含 vae, gp 等关键词的文件）。

2. 运行代码单元

   • 打开笔记本后，按顺序点击单元格左侧的 Run 按钮（或按下 Shift + Enter）。
   • 代码将逐步执行，展示贝叶斯神经网络、变分推断等算法的实现细节与可视化结果。

3. 简单示例逻辑 大多数笔记本遵循以下结构：

   # 1. 导入必要的库
   import numpy as np
   import matplotlib.pyplot as plt
   # import torch / tensorflow ...
   
   # 2. 生成或加载演示数据
   X, y = generate_toy_data()
   
   # 3. 定义并训练贝叶斯模型
   model = BayesianNeuralNetwork()
   model.fit(X, y)
   
   # 4. 可视化预测结果与不确定性
   model.plot_predictions()
   

   只需从上到下依次执行单元格，即可复现论文或讲座中的实验效果。