[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-pymc-devs--pymc4":3,"tool-pymc-devs--pymc4":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160015,2,"2026-04-18T11:30:52",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":102,"forks":103,"last_commit_at":104,"license":105,"difficulty_score":106,"env_os":75,"env_gpu":107,"env_ram":107,"env_deps":108,"category_tags":112,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":147},9190,"pymc-devs\u002Fpymc4","pymc4","(Deprecated) Experimental PyMC interface for TensorFlow Probability. Official work on this project has been discontinued.","pymc4 是一个旨在为 TensorFlow Probability 提供高层接口的实验性项目，曾试图让用户使用类似 PyMC3 的语法进行概率编程。它的核心目标是解决传统后端性能瓶颈问题，通过依托 TensorFlow 实现模型的全自动向量化计算，使得同时运行多条马尔可夫链采样（如 NUTS 算法）变得极其高效，几乎不增加额外成本。此外，它支持自动参数变换、先验与后验预测采样，并能生成兼容 ArviZ 的分析轨迹。\n\n然而，必须注意的是，官方已明确宣布停止对 pymc4 的开发，它不会成为 PyMC 的下一个主要版本，相关功能演进已回归到主 PyMC 仓库中继续推进。因此，pymc4 目前仅适合对概率编程底层架构感兴趣、希望研究 TensorFlow 后端实现的资深开发者或研究人员用于技术探索与学习。由于项目处于废弃状态，代码可能存在未预警的变动或错误，强烈不建议将其应用于任何正式的生产环境或严肃的科研任务中。对于大多数需要稳定贝叶斯建模工具的用户，直接使用当前主流的 PyMC 版本是更明智的选择。","# NOTICE: Official development of this project has ceased, and it is no longer intended to become the next major version of PyMC. Ongoing development will continue on the [main PyMC repository](https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc).\n\nSee [the announcement](https:\u002F\u002Fpymc-devs.medium.com\u002Fthe-future-of-pymc3-or-theano-is-dead-long-live-theano-d8005f8a0e9b) for more details on the future of PyMC and Theano.\n\n[![Build Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpymc-devs_pymc4_readme_3323fe13e747.png)](https:\u002F\u002Fdev.azure.com\u002Fpymc-devs\u002Fpymc4\u002F_build\u002Flatest?definitionId=1&branchName=master)\n[![Coverage Status](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fpymc-devs\u002Fpymc4\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fpymc-devs\u002Fpymc4)\n\nHigh-level interface to TensorFlow Probability. Do not use for anything serious.\n\nWhat works?\n\n * Build most models you could build with PyMC3\n * Sample using NUTS, all in TF, fully vectorized across chains (multiple chains basically become free)\n * Automatic transforms of model to the real line\n * Prior and posterior predictive sampling\n * Deterministic variables\n * Trace that can be passed to ArviZ\n\nHowever, expect things to break or change without warning.\n\nSee here for an example: https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc4\u002Fblob\u002Fmaster\u002Fnotebooks\u002Fradon_hierarchical.ipynb\nSee here for the design document: https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc4\u002Fblob\u002Fmaster\u002Fnotebooks\u002Fpymc4_design_guide.ipynb\n\n## Develop\n\nOne easy way of developing on PyMC4 is to take advantage of the development containers! \nUsing pre-built development environments allows you to develop on PyMC4 without needing to set up locally.\n\nTo use the dev containers, you will need to have Docker and VSCode running locally on your machine, \nand will need the VSCode Remote extension (`ms-vscode-remote.vscode-remote-extensionpack`).\n\nOnce you have done that, to develop on PyMC4, on GitHub:\n\n1. Make a fork of the repository\n2. Create a new branch inside your fork\n3. Copy the branch URL\n\nNow, in VSCode:\n\n1. In the command palette, search for \"Remote-Containers: Open Repository in Container...\".\n2. Paste in the branch URL\n3. If prompted, create it in a \"Unique Volume\".\n\nHappy hacking away! \nBecause the repo will be cloned into an ephemeral repo,\n**don't forget to commit your changes and push them to your branch!**\nThen follow the usual pull request workflow back into PyMC4.\n\nWe hope you enjoy the time saved on setting up your development environment!\n","# 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](https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc) 上进行。\n\n有关 PyMC 和 Theano 未来发展的更多详情，请参阅[公告](https:\u002F\u002Fpymc-devs.medium.com\u002Fthe-future-of-pymc3-or-theano-is-dead-long-live-theano-d8005f8a0e9b)。\n\n[![构建状态](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpymc-devs_pymc4_readme_3323fe13e747.png)](https:\u002F\u002Fdev.azure.com\u002Fpymc-devs\u002Fpymc4\u002F_build\u002Flatest?definitionId=1&branchName=master)\n[![覆盖率状态](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fpymc-devs\u002Fpymc4\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fpymc-devs\u002Fpymc4)\n\nTensorFlow Probability 的高级接口。请勿用于正式项目。\n\n目前支持哪些功能？\n\n * 可以构建大多数使用 PyMC3 能够构建的模型\n * 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）\n * 自动将模型转换为实数域\n * 先验和后验预测采样\n * 确定性变量\n * 可传递给 ArviZ 的样本轨迹\n\n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。\n\n示例请参见：https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc4\u002Fblob\u002Fmaster\u002Fnotebooks\u002Fradon_hierarchical.ipynb  \n设计文档请参见：https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc4\u002Fblob\u002Fmaster\u002Fnotebooks\u002Fpymc4_design_guide.ipynb  \n\n## 开发\n\n在 PyMC4 上进行开发的一种简便方法是利用开发容器！  \n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。\n\n要使用开发容器，您需要在本地机器上安装并运行 Docker 和 VSCode，  \n同时还需要安装 VSCode Remote 扩展 (`ms-vscode-remote.vscode-remote-extensionpack`)。\n\n完成上述准备工作后，在 GitHub 上进行 PyMC4 开发的步骤如下：\n\n1. 分支该仓库\n2. 在您的分支中创建一个新分支\n3. 复制该分支的 URL\n\n然后，在 VSCode 中：\n\n1. 在命令面板中搜索“Remote-Containers: 在容器中打开仓库...”\n2. 粘贴分支 URL\n3. 如果提示，请将其创建在一个“唯一卷”中。\n\n祝您开发愉快！  \n由于仓库会被克隆到一个临时仓库中，  \n**请务必提交您的更改并将它们推送到您的分支！**  \n之后按照常规的拉取请求流程将其合并回 PyMC4 即可。\n\n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\n\n> **⚠️ 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](https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc)。**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。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (需配合 WSL2 或 Docker)\n*   **Python 版本**：建议 Python 3.7+\n*   **核心依赖**：\n    *   TensorFlow\n    *   TensorFlow Probability (TFP)\n    *   ArviZ (用于结果分析)\n*   **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。\n\n## 安装步骤\n\n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。\n\n**标准安装命令：**\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc4.git\n```\n\n**国内加速方案（推荐中国开发者使用）：**\n\n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：\n\n```bash\n# 临时使用清华源进行安装\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple git+https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc4.git\n```\n\n*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：*\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow tensorflow-probability arviz\n```\n\n## 基本使用\n\nPyMC4 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。\n\n以下是一个最简单的线性回归模型示例：\n\n```python\nimport pymc4 as pm\nimport numpy as np\n\n# 1. 生成模拟数据\nnp.random.seed(42)\nx = np.linspace(0, 10, 100)\ny = 2.5 * x + 1.2 + np.random.normal(0, 0.5, size=x.shape)\n\n# 2. 定义模型\nwith pm.Model() as model:\n    # 定义先验分布\n    slope = pm.Normal(\"slope\", mu=0, sigma=10)\n    intercept = pm.Normal(\"intercept\", mu=0, sigma=10)\n    sigma = pm.HalfNormal(\"sigma\", sigma=1)\n\n    # 定义似然函数\n    mu = slope * x + intercept\n    likelihood = pm.Normal(\"y\", mu=mu, sigma=sigma, observed=y)\n\n    # 3. 执行采样 (使用 NUTS 算法，自动向量化)\n    # 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\n    trace = pm.sample()\n\n# 4. 查看结果 (可传递给 ArviZ)\nimport arviz as az\naz.summary(trace)\naz.plot_trace(trace)\n```\n\n**关键特性说明：**\n*   **向量化采样**：多链采样在 TensorFlow 内部并行处理，效率极高。\n*   **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。\n*   **兼容性**：生成的 `trace` 对象可直接由 `ArviZ` 库进行分析及可视化。\n\n*更多复杂示例（如分层模型）请参考官方仓库中的 [Radon Hierarchical Notebook](https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc4\u002Fblob\u002Fmaster\u002Fnotebooks\u002Fradon_hierarchical.ipynb)。*","某数据科学团队正在构建一个多层级的贝叶斯模型，以分析不同地区的辐射暴露水平及其对健康的影响，需要处理复杂的层级结构和大规模采样任务。\n\n### 没有 pymc4 时\n- **计算效率低下**：传统后端在运行多条马尔可夫链（Chains）时无法有效利用 GPU 加速，导致数小时的等待时间。\n- **开发环境繁琐**：配置底层概率编程依赖极其复杂，团队成员常因环境不一致而浪费大量调试时间。\n- **模型扩展受限**：难以将现有的 PyMC3 模型无缝迁移至更现代的深度学习框架，限制了模型结构的优化空间。\n- **向量化支持不足**：缺乏原生的全向量化采样支持，编写高效代码需要手动优化，增加了出错风险。\n\n### 使用 pymc4 后\n- **采样速度飞跃**：借助 TensorFlow Probability 后端，pymc4 实现了完全向量化的 NUTS 采样，多链并行几乎零额外成本，大幅缩短训练时间。\n- **容器化开发体验**：通过预建的 Docker 开发容器，团队成员可直接在 VSCode 中一键启动统一环境，彻底消除本地配置痛点。\n- **平滑模型迁移**：pymc4 允许复用大多数 PyMC3 的建模语法，使团队能快速将旧模型迁移至新架构进行实验。\n- **自动化变换处理**：工具自动处理模型参数到实数域的转换，并支持直接输出 ArviZ 兼容的轨迹数据，简化了诊断流程。\n\n尽管 pymc4 目前已停止官方维护，但其在特定历史阶段展示的基于 TensorFlow 的高性能概率编程思路，为后续 PyMC 版本的架构演进提供了宝贵的实验验证。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpymc-devs_pymc4_1e510300.png","pymc-devs","PyMC","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpymc-devs_42f36792.png","",null,"pymc_devs","https:\u002F\u002Fwww.pymc.io","https:\u002F\u002Fgithub.com\u002Fpymc-devs",[81,85,89,93,96,99],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",97.7,{"name":86,"color":87,"percentage":88},"Python","#3572A5",2.2,{"name":90,"color":91,"percentage":92},"Batchfile","#C1F12E",0,{"name":94,"color":95,"percentage":92},"Dockerfile","#384d54",{"name":97,"color":98,"percentage":92},"Shell","#89e051",{"name":100,"color":101,"percentage":92},"Makefile","#427819",710,110,"2026-03-04T00:18:29","Apache-2.0",4,"未说明",{"notes":109,"python":107,"dependencies":110},"该项目官方开发已停止，不再作为 PyMC 的下一个主要版本，仅作为 TensorFlow Probability 的高级接口原型，不建议用于生产环境。开发时建议使用 Docker 和 VSCode Remote Containers 以避免本地环境配置问题。",[111],"tensorflow-probability",[14,113],"其他","2026-03-27T02:49:30.150509","2026-04-19T03:03:12.565398",[117,122,127,132,137,142],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},41262,"PyMC4 中随机变量（RV）的自动变换机制是如何工作的？","为了满足 ADVI 和 HMC 等算法要求变量在实数线上的需求，PyMC4 会自动对随机变量进行变换。共识是将此功能作为随机变量（RV）的一部分实现（类似于 PyMC3），而不是放在采样器中。例如，对于 `LogNormal` 这种仅取正值的分布，系统会自动应用变换将其映射到实数线；用户可以通过继承如 `PositiveRandomVariable` 等基类来利用这一机制。","https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc4\u002Fissues\u002F78",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},41263,"为什么 `RV.sample()` 方法似乎限制了每次调用只能采样一次？","这通常是因为底层的 TFP 分布对象与 PyMC 的随机变量（RV）对象结构不完全一致。在早期实现中，可能需要通过 Edward2 或在包装层中正确处理参数传递，才能将 `RV.sample(*args, **kwargs)` 完整地透传给 `tfp.distribution.sample(*args, **kwargs)`，从而支持多次采样或自定义采样参数。","https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc4\u002Fissues\u002F96",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},41258,"PyMC4 是否支持函数式 API 以替代上下文管理器（context manager）？","是的，PyMC 5.x 已经引入了相关功能。你可以参考 `pymc-experimental` 仓库中的实现：https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc-experimental\u002Fblob\u002Fmain\u002Fpymc_experimental\u002Fmodel\u002Fmodel_api.py#L6。此外，官方文档中的模型变换（transform）功能（https:\u002F\u002Fwww.pymc.io\u002Fprojects\u002Fdocs\u002Fen\u002Flatest\u002Fapi\u002Fmodel\u002Ftransform.html）也允许以函数式方式使用不可变模型，从而避免依赖隐藏的全局可变状态。","https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc4\u002Fissues\u002F84",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},41259,"PyMC4 中分布参数的命名规范是什么？是跟随 TFP 使用 `loc\u002Fscale` 还是保留 PyMC3 的 `mu\u002Fsigma`？","为了保持用户体验（UX）的一致性并减少用户迁移成本，项目最终决定沿用 PyMC3 的参数命名习惯，即使用希腊字母符号（如 `mu`, `sigma`），而不是完全跟随 TensorFlow Probability (TFP) 的 `loc` 和 `scale` 命名方式。","https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc4\u002Fissues\u002F58",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},41260,"如何处理包含 `Flat` 或 `HalfFlat` 先验分布的模型采样问题？","这类模型在尝试从先验生成样本时会抛出 `NotImplementedError`，导致依赖 `evaluate_model` 获取元数据的采样方法失败。解决方案是引入纯符号模型解析器（如 `symbolic-pymc`）来获取所需的元数据（如变量形状、观测变量等），而无需实际执行采样操作。`symbolic-pymc` 设计用于支持后端图（如 Theano 和 TensorFlow）的转换，可以直接遍历分布对象而不调用 `sample` 方法，从而避免此问题。","https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc4\u002Fissues\u002F167",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},41261,"如何在 PyMC4 中实现自回归（AR）时间序列分布？","可以通过封装 `tfp.sts.Autoregressive` 来实现。在定义 AR 分布时，必须将 `num_timesteps`（时间步数）作为必填参数，用于指定时间序列的长度。此外，还需要定义 `order` 参数（自回归阶数），这是 AR 模型的特征属性，用于预测未来的观测值。具体的实现细节和参数讨论可参考相关 Pull Request。","https:\u002F\u002Fgithub.com\u002Fpymc-devs\u002Fpymc4\u002Fissues\u002F198",[]]