快速入门 | 安装指南 | 文档 | Slack 社区

GPJax 致力于在 Jax 中提供高斯过程 (GP) 模型的低层接口，其结构旨在为研究人员提供最大的灵活性，以便根据自身需求扩展代码。我们的目标是使代码尽可能接近我们在纸上处理 GP 模型时所写的数学公式。

软件包组织

贡献

我们非常欢迎感兴趣的个人和团体做出贡献。如需了解如何参与，请阅读我们的贡献指南。如果您有任何问题，欢迎提交议题。对于更广泛的讨论，例如最佳的 GP 拟合实践或关于 GP 数学的问题，欢迎您开启讨论。

您还可以通过问题分类来为 GPJax 做出贡献。这包括复现错误报告、请求关键信息（如版本号和复现步骤）或识别过时的问题。如果您想开始对问题进行分类，一个简单的方法是在 CodeTriage 上订阅 GPJax。

作为 GPJax 的贡献者，您应遵守我们的行为准则。如果您曾经历或目睹任何违反该准则的行为，我们恳请您通过此表格报告，或联系项目中的园丁之一。

欢迎加入我们的Slack 频道，在那里我们可以讨论 GPJax 的开发以及对高斯过程建模的更广泛支持。 我们感谢所有为 GPJax 做出贡献的人员，正是他们的努力使 GPJax 发展成为如今的模样。

支持的方法与接口

笔记本示例

• 共轭推断
• 分类
• 稀疏变分推断
• 随机变分推断
• 拉普拉斯近似
• 非欧几里得空间上的推断
• 图上的推断
• 异方差推断
• 学习高斯过程重心
• 深度核回归
• 泊松回归
• 贝叶斯优化

自定义指南

• 自定义核函数
• UCI 回归数据集

.ipynb 和 .py 之间的转换

上述示例以双百分比格式（py:percent）存储在 examples 目录中。有关更多信息，请参阅 jupytext 使用命令行。

• 要将 example.py 转换为 example.ipynb，请运行：

jupytext --to notebook example.py

• 要将 example.ipynb 转换为 example.py，请运行：

jupytext --to py:percent example.ipynb

安装

稳定版

GPJax 的最新稳定版本可以从 PyPI 安装：

pip install gpjax

或者从 conda-forge 安装：

# 使用 Pixi
pixi add gpjax
# 或使用 conda
conda install --channel conda-forge gpjax

注意

我们建议您检查已安装的版本：

python -c 'import gpjax; print(gpjax.__version__)'

开发版

警告

此版本可能不稳定，并且可能包含错误。

注意

我们建议您在安装前创建一个虚拟环境：

conda create -n gpjax_experimental python=3.11.0
conda activate gpjax_experimental

将仓库克隆到本地机器上，并以开发模式运行设置配置。

git clone https://github.com/thomaspinder/GPJax.git
cd GPJax
uv venv
uv sync --extra dev

我们建议您检查安装是否通过了提供的单元测试：

uv run poe all-tests

引用 GPJax

如果您在研究中使用了 GPJax，请引用我们的 JOSS 论文。

@article{Pinder2022,
  doi = {10.21105/joss.04455},
  url = {https://doi.org/10.21105/joss.04455},
  year = {2022},
  publisher = {The Open Journal},
  volume = {7},
  number = {75},
  pages = {4455},
  author = {Thomas Pinder 和 Daniel Dodd},
  title = {GPJax：基于 JAX 的高斯过程框架},
  journal = {开源软件期刊}
}

GPJax 快速上手指南

GPJax 是一个基于 JAX 的高斯过程（Gaussian Process, GP）框架，旨在提供接近数学公式表达的低层级接口，赋予研究者最大的扩展灵活性。

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 (WSL 推荐)
• Python 版本：建议 Python 3.9+ (开发版示例使用 3.11.0)
• 前置依赖：
  • JAX：Google 的高性能数值计算库
  • 包管理工具：pip, conda 或 pixi (可选)
• 硬件加速（可选但推荐）：配置好 CUDA/cuDNN 以启用 GPU 加速，或 TPU 环境。

安装步骤

1. 安装稳定版

您可以通过 pip 或 conda 安装最新稳定版本。

使用 pip:

pip install gpjax

使用 conda:

conda install --channel conda-forge gpjax

使用 Pixi:

pixi add gpjax

提示：国内用户若遇到下载缓慢，可尝试配置清华或中科大镜像源：

pip install gpjax -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，建议验证版本号：

python -c 'import gpjax; print(gpjax.__version__)'

2. 安装开发版（可选）

如果您需要体验最新功能或参与贡献，可从源码安装（注意：此版本可能不稳定）。

git clone https://github.com/thomaspinder/GPJax.git
cd GPJax
uv venv
uv sync --extra dev

验证安装是否成功（运行单元测试）：

uv run poe all-tests

基本使用

GPJax 的设计哲学是代码结构尽可能贴近纸面上的数学推导。以下是一个最基础的回归任务示例流程。

注意：由于 GPJax 强调底层灵活性，具体 API 调用通常涉及定义核函数、均值函数及推断类型。以下展示核心导入与概念结构，详细完整代码请参考官方 Notebook 示例。

简单示例结构

import jax.numpy as jnp
import gpjax as gpx

# 1. 准备数据 (假设 X 为输入，y 为观测值)
# X = jnp.linspace(0, 10, 100).reshape(-1, 1)
# y = jnp.sin(X) + 0.1 * jnp.random.normal(size=X.shape)

# 2. 定义高斯过程模型
# 选择核函数 (例如 RBF) 和均值函数
kernel = gpx.kernels.RBF()
mean_function = gpx.mean_functions.Constant()

# 构建先验分布
prior = gpx.gps.Prior(kernel=kernel, mean_function=mean_function)

# 3. 定义似然函数 (例如高斯似然用于回归)
likelihood = gpx.likelihoods.Gaussian(num_datapoints=len(y))

# 4. 构建后验分布并进行推断
# GPJax 支持共轭推断、变分推断等多种模式
posterior = prior * likelihood

# 5. 优化超参数 (使用 JAX 的优化器)
# 定义负对数边缘似然损失函数
def loss(params):
    return -posterior.marginal_log_likelihood((X, y), params)

# 执行优化 (此处仅为逻辑示意，具体优化循环需结合 optax 等库)
# optimized_params = optimize(loss, initial_params)

# 6. 预测
# predictions = posterior.predict(X_test, optimized_params)

更多学习资源

GPJax 提供了丰富的示例笔记本，涵盖分类、稀疏变分推断、贝叶斯优化等高级用法：

• 共轭推断 (回归): Conjugate Inference
• 分类任务: Classification
• 自定义核函数: Custom Kernels

如需将示例代码从 .py 转换为 Jupyter Notebook (.ipynb)，可使用 jupytext：

jupytext --to notebook example.py