注意：该项目的官方开发已停止，它不再计划成为 PyMC 的下一个主要版本。当前的开发将继续在 PyMC 主仓库 上进行。

有关 PyMC 和 Theano 未来发展的更多详情，请参阅公告。

TensorFlow Probability 的高级接口。请勿用于正式项目。

目前支持哪些功能？

• 可以构建大多数使用 PyMC3 能够构建的模型
• 使用 NUTS 进行采样，完全在 TensorFlow 中运行，并且跨链实现完全向量化（多个链几乎可以免费并行）
• 自动将模型转换为实数域
• 先验和后验预测采样
• 确定性变量
• 可传递给 ArviZ 的样本轨迹

然而，预计某些功能可能会在没有事先通知的情况下中断或发生变化。

示例请参见：https://github.com/pymc-devs/pymc4/blob/master/notebooks/radon_hierarchical.ipynb
设计文档请参见：https://github.com/pymc-devs/pymc4/blob/master/notebooks/pymc4_design_guide.ipynb

开发

在 PyMC4 上进行开发的一种简便方法是利用开发容器！
使用预先构建的开发环境，您无需在本地配置环境即可直接开始开发 PyMC4。

要使用开发容器，您需要在本地机器上安装并运行 Docker 和 VSCode，
同时还需要安装 VSCode Remote 扩展 (ms-vscode-remote.vscode-remote-extensionpack)。

完成上述准备工作后，在 GitHub 上进行 PyMC4 开发的步骤如下：

1. 分支该仓库
2. 在您的分支中创建一个新分支
3. 复制该分支的 URL

然后，在 VSCode 中：

1. 在命令面板中搜索“Remote-Containers: 在容器中打开仓库...”
2. 粘贴分支 URL
3. 如果提示，请将其创建在一个“唯一卷”中。

祝您开发愉快！
由于仓库会被克隆到一个临时仓库中，
请务必提交您的更改并将它们推送到您的分支！
之后按照常规的拉取请求流程将其合并回 PyMC4 即可。

我们希望您能享受到节省开发环境配置时间带来的便利！

PyMC4 快速上手指南

⚠️ 重要提示：PyMC4 的官方开发已停止，它不会成为 PyMC 的下一个主要版本。后续开发已合并至 主 PyMC 仓库。请勿在生产环境或严肃项目中使用此工具，仅建议用于学习 TensorFlow Probability 与 PyMC 的集成原理或实验性探索。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (需配合 WSL2 或 Docker)
• Python 版本：建议 Python 3.7+
• 核心依赖：
  • TensorFlow
  • TensorFlow Probability (TFP)
  • ArviZ (用于结果分析)
• 开发环境（可选）：若需贡献代码或体验隔离环境，需安装 Docker 和 VS Code，并安装 Remote - Containers 扩展插件。

安装步骤

由于该项目已停止维护，PyPI 上可能没有最新的稳定构建。建议直接从 GitHub 源码安装。

标准安装命令：

pip install git+https://github.com/pymc-devs/pymc4.git

国内加速方案（推荐中国开发者使用）：

如果直接连接 GitHub 速度较慢，可先配置 pip 使用国内镜像源，然后安装：

# 临时使用清华源进行安装
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple git+https://github.com/pymc-devs/pymc4.git

注意：如果安装过程中缺少 TensorFlow 或 TFP 依赖，请单独通过国内源安装它们：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow tensorflow-probability arviz

基本使用

PyMC4 提供了类似 PyMC3 的高级接口，但底层完全基于 TensorFlow Probability 运行，支持自动向量化和多链采样。

以下是一个最简单的线性回归模型示例：

import pymc4 as pm
import numpy as np

# 1. 生成模拟数据
np.random.seed(42)
x = np.linspace(0, 10, 100)
y = 2.5 * x + 1.2 + np.random.normal(0, 0.5, size=x.shape)

# 2. 定义模型
with pm.Model() as model:
    # 定义先验分布
    slope = pm.Normal("slope", mu=0, sigma=10)
    intercept = pm.Normal("intercept", mu=0, sigma=10)
    sigma = pm.HalfNormal("sigma", sigma=1)

    # 定义似然函数
    mu = slope * x + intercept
    likelihood = pm.Normal("y", mu=mu, sigma=sigma, observed=y)

    # 3. 执行采样 (使用 NUTS 算法，自动向量化)
    # 注意：PyMC4 的采样接口可能与最新版 PyMC 略有不同，此处为概念演示
    trace = pm.sample()

# 4. 查看结果 (可传递给 ArviZ)
import arviz as az
az.summary(trace)
az.plot_trace(trace)

关键特性说明：

• 向量化采样：多链采样在 TensorFlow 内部并行处理，效率极高。
• 自动变换：模型会自动将约束变量（如 HalfNormal）转换到实数域进行采样。
• 兼容性：生成的 trace 对象可直接由 ArviZ 库进行分析及可视化。

更多复杂示例（如分层模型）请参考官方仓库中的 Radon Hierarchical Notebook。