sbi: 基于模拟的推断

快速入门 | 文档 | Discord服务器

sbi 是一个用于基于模拟的推断的 Python 软件包，旨在满足研究人员和实践者的双重需求。无论您需要精细的控制还是易于使用的界面，sbi 都能为您提供支持。

借助 sbi，您可以使用贝叶斯推断进行参数估计：给定一个模拟真实世界过程的模拟器，SBI 可以根据观测数据估计模拟器参数的完整后验分布。该分布不仅指示最可能的参数值，还能量化不确定性，并揭示参数之间的潜在交互作用。

sbi 的主要特性

sbi 兼具灵活性和易用性：

• 低级接口：对于那些需要对推断过程进行最大程度控制的用户，sbi 提供了低级接口，允许您微调工作流的许多方面。
• 高级接口：如果您更倾向于简单高效的方式，sbi 还提供了高级接口，可快速轻松地实现复杂的推断任务。

此外，sbi 支持多种最先进的推断算法（已实现的方法列表见下文）：

• 摊销方法：这些方法允许在多次观测中重复使用后验估计器，而无需重新训练。
• 序列方法：这些方法专注于单个观测，从而优化所需的模拟次数。

除了推断之外，sbi 还提供：

• 验证工具：内置方法用于验证和确认推断后验的准确性。
• 绘图与分析工具：全面的结果可视化和分析功能，帮助您轻松解释后验分布。

开始使用 sbi 非常简单，只需几行代码即可：

from sbi.inference import NPE
# 已知：参数 theta 和对应的模拟数据 x
inference = NPE(prior=prior)
inference.append_simulations(theta, x).train()
posterior = inference.build_posterior()

安装

sbi 需要 Python 3.10 或更高版本。虽然 GPU 并非必需，但在某些情况下可以提升性能。我们建议使用 uv 进行包管理：

uv pip install sbi

Pyro 和 PyMC 的 MCMC 采样器是可选的。请根据需要安装：

uv pip install "sbi[pyro]"   # 用于 Pyro 采样器（HMC、NUTS）
uv pip install "sbi[pymc]"   # 用于 PyMC 采样器（HMC、NUTS、Slice）
uv pip install "sbi[all]"    # 同时包含 Pyro 和 PyMC

有关 conda、pixi、pip 等其他安装方式，请参阅完整的安装指南。

测试安装

打开 Python 提示符并运行以下代码：

from sbi.examples.minimal import simple
posterior = simple()
print(posterior)

教程

如果您是 sbi 的新手，我们建议从我们的快速入门教程开始。

您也可以直接在浏览器中访问并运行这些教程，只需打开 Codespace 即可。为此，点击 GitHub 仓库上的绿色“Code”按钮，然后选择“Open with Codespaces”。这将为您提供一个功能齐全的环境，您可以在其中通过 Jupyter 笔记本探索 sbi。

您可能还会发现这篇教程论文很有用：Deistler, M., Boelts, J., Steinbach, P., Moss, G., Moreau, T., Gloeckler, M., ... & Macke, J. H. (2025). 基于模拟的推断：实用指南。arXiv 预印本 arXiv:2508.12939。。它描述了 SBI 工作流程，并为每个阶段提供了实用指南和诊断工具：从设置模拟器和先验分布、选择和训练推断网络，到执行推断和验证结果。文中还包含多个示例。

推断算法

目前可用的推断算法如下。您可以在此处找到每种方法的运行说明： 这里。

神经后验估计：摊销型（NPE）和序列型（SNPE）

• (S)NPE_A （包括摊销型单轮 NPE）由 Papamakarios G 和 Murray I 提出，论文为 Fast ε-free Inference of Simulation Models with Bayesian Conditional Density Estimation（NeurIPS 2016）。

• (S)NPE_B 由 Lueckmann JM、Goncalves P、Bassetto G、Öcal K、Nonnenmacher M 和 Macke J 提出，论文为 Flexible statistical inference for mechanistic models of neural dynamics（NeurIPS 2017）。

• (S)NPE_C 或者 APT 由 Greenberg D、Nonnenmacher M 和 Macke J 提出，论文为 Automatic Posterior Transformation for likelihood-free inference（ICML 2019）。

• TSNPE 由 Deistler M、Goncalves P 和 Macke J 提出，论文为 Truncated proposals for scalable and hassle-free simulation-based inference（NeurIPS 2022）。

• FMPE 由 Wildberger, J., Dax, M., Buchholz, S., Green, S., Macke, J. H., 和 Schölkopf, B 提出，论文为 Flow matching for scalable simulation-based inference（NeurIPS 2023）。

• NPSE 由 Geffner, T., Papamakarios, G., 和 Mnih, A 提出，论文为 Compositional score modeling for simulation-based inference（ICML 2023）。

神经似然估计：摊销型（NLE）和序列型（SNLE）

• (S)NLE 或简称 SNL 由 Papamakarios G、Sterrat DC 和 Murray I 提出，论文为 Sequential Neural Likelihood（AISTATS 2019）。

神经比率估计：摊销型（NRE）和序列型（SNRE）

• (S)NRE_A 或 AALR 由 Hermans J、Begy V 和 Louppe G 提出，论文为 Likelihood-free Inference with Amortized Approximate Likelihood Ratios（ICML 2020）。

• (S)NRE_B 或 SRE 由 Durkan C、Murray I 和 Papamakarios G 提出，论文为 On Contrastive Learning for Likelihood-free Inference（ICML 2020）。

• (S)NRE_C 或 NRE-C 由 Miller BK、Weniger C 和 Forré P 提出，论文为 Contrastive Neural Ratio Estimation（NeurIPS 2022）。

• BNRE 由 Delaunoy A、Hermans J、Rozet F、Wehenkel A 和 Louppe G 提出，论文为 Towards Reliable Simulation-Based Inference with Balanced Neural Ratio Estimation（NeurIPS 2022）。

神经变分推断：摊销型（NVI）和序列型（SNVI）

• SNVI 由 Glöckler M、Deistler M 和 Macke J 提出，论文为 Variational methods for simulation-based inference（ICLR 2022）。

混合神经似然估计（MNLE）

• MNLE 由 Boelts J、Lueckmann JM、Gao R 和 Macke J 提出，论文为 Flexible and efficient simulation-based inference for models of decision-making（eLife 2022）。

反馈与贡献

我们欢迎关于 sbi 在您的推断问题中表现的任何反馈（请参阅 Discussions），并乐于接受错误报告、拉取请求及其他反馈（请参阅 contribute）。我们希望维护一个积极且尊重的社区；请阅读我们的 行为准则。如需报告安全漏洞，请参阅我们的 安全政策。

致谢

sbi 是 delfi 包的继任者（使用 PyTorch）。它最初是 Conor M. Durkan 的 lfi 的分支。sbi 作为一个社区项目运行。更多信息请参阅 credits。

支持

sbi 曾得到德国联邦教育与研究部（BMBF）通过 ADIMEM 项目（FKZ 01IS18052 A-D）、SiMaLeSAM 项目（FKZ 01IS21055A）以及图宾根人工智能中心（FKZ 01IS18039A）的支持。自 2024 年起，sbi 还得到了 appliedAI 欧洲研究所及 NumFOCUS 的支持。

许可证

Apache 许可证版本 2.0（Apache-2.0）

引用

自 sbi 软件包首次发布以来，它在广大且多元化的社区贡献下得到了显著的发展和改进。为了反映这些进展及功能的扩展，我们发表了一篇 更新后的 JOSS 论文。我们鼓励您将这一较新的版本作为主要参考文献：

@article{BoeltsDeistler_sbi_2025,
  doi = {10.21105/joss.07754},
  url = {https://doi.org/10.21105/joss.07754},
  year = {2025},
  publisher = {The Open Journal},
  volume = {10},
  number = {108},
  pages = {7754},
  author = {Jan Boelts and Michael Deistler and Manuel Gloeckler and Álvaro Tejero-Cantero and Jan-Matthis Lueckmann and Guy Moss and Peter Steinbach and Thomas Moreau and Fabio Muratore and Julia Linhart and Conor Durkan and Julius Vetter and Benjamin Kurt Miller and Maternus Herold and Abolfazl Ziaeemehr and Matthijs Pals and Theo Gruner and Sebastian Bischoff and Nastya Krouglova and Richard Gao and Janne K. Lappalainen and Bálint Mucsányi and Felix Pei and Auguste Schulz and Zinovia Stefanidi and Pedro Rodrigues and Cornelius Schröder and Faried Abu Zaid and Jonas Beck and Jaivardhan Kapoor and David S. Greenberg and Pedro J. Gonçalves and Jakob H. Macke},
  title = {sbi reloaded: a toolkit for simulation-based inference workflows},
  journal = {Journal of Open Source Software}
}

这篇更新后的论文包含了更广泛的作者列表，体现了更广泛的社区贡献以及软件包在 0.23.0 及更高版本中增强的能力。

如果您使用的是 sbi 的 0.23.0 之前的版本，请引用最初的 sbi 软件论文：

@article{tejero-cantero2020sbi,
  doi = {10.21105/joss.02505},
  url = {https://doi.org/10.21105/joss.02505},
  year = {2020},
  publisher = {The Open Journal},
  volume = {5},
  number = {52},
  pages = {2505},
  author = {Alvaro Tejero-Cantero and Jan Boelts and Michael Deistler and Jan-Matthis Lueckmann and Conor Durkan and Pedro J. Gonçalves and David S. Greenberg and Jakob H. Macke},
  title = {sbi: A toolkit for simulation-based inference},
  journal = {Journal of Open Source Software}
}

无论您引用哪一篇软件论文，都请务必同时引用描述您所使用的特定 sbi 算法的原始研究论文。

sbi 的各个具体版本也可以通过 Zenodo 进行引用，我们在每次发布时都会为该版本生成一个新的软件 DOI。

sbi 快速上手指南

sbi 是一个用于**基于模拟的推断（Simulation-Based Inference, SBI）**的 Python 库。它允许用户通过贝叶斯推断，根据观测数据估算模拟器参数的完整后验分布，从而量化不确定性并揭示参数间的相互作用。

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。
• Python 版本：3.10 或更高版本。
• 硬件加速（可选）：虽然不需要 GPU 即可运行，但在某些复杂任务中，配备 NVIDIA GPU 并安装 CUDA 驱动可显著提升性能。
• 包管理工具：推荐使用 uv 以获得更快的安装和依赖解析速度（同时也支持 pip 和 conda）。

安装步骤

方法一：使用 uv 推荐安装（最快）

使用 uv 进行安装是官方推荐的方式，速度快且依赖冲突少。

uv pip install sbi

方法二：按需安装扩展功能

如果您需要使用特定的 MCMC 采样器（如 Pyro 或 PyMC），可以选择以下安装方式：

# 安装 Pyro 采样器 (支持 HMC, NUTS)
uv pip install "sbi[pyro]"

# 安装 PyMC 采样器 (支持 HMC, NUTS, Slice)
uv pip install "sbi[pymc]"

# 安装所有可选依赖
uv pip install "sbi[all]"

提示：国内用户若遇到网络延迟，可在命令中添加国内镜像源，例如： uv pip install sbi --index-url https://pypi.tuna.tsinghua.edu.cn/simple

方法三：使用 Conda 安装

如果您偏好使用 Conda 环境：

conda install -c conda-forge sbi

验证安装

安装完成后，运行以下 Python 代码以验证是否成功：

from sbi.examples.minimal import simple
posterior = simple()
print(posterior)

如果输出了后验分布对象信息，则说明安装成功。

基本使用

sbi 提供了高层接口，只需几行代码即可完成从模拟数据训练到后验推断的全过程。以下是最简化的使用示例：

1. 导入必要的模块。
2. 准备参数 theta 和对应的模拟数据 x。
3. 选择推断算法（例如神经后验估计 NPE）。
4. 训练模型并构建后验分布。

from sbi.inference import NPE

# 假设您已经有了模拟生成的参数 theta 和对应的数据 x
# inference = NPE(prior=prior)  # prior 为您的先验分布对象
inference = NPE(prior=prior)

# 添加模拟数据并训练推断网络
inference.append_simulations(theta, x).train()

# 构建后验分布对象，用于后续对新观测数据进行推断
posterior = inference.build_posterior()

# 现在可以使用 posterior 对新的观测数据 x_obs 进行采样或评估
# samples = posterior.sample((1000,), x=x_obs)

对于更复杂的场景（如顺序推断、不同的神经网络架构或验证工具），请参考官方 文档 和 教程。