我正在尝试实现贝叶斯网络。
我的主图是一个因子图，我想将其用于信念传播。但是，在计算消息时的信念传播中，并非所有参数都传递给函数，最终函数将是联合分布的限制。
我想到的最好的方法是以某种方式限制函数，以便在我想计算新值的边际时不会每次都进行所有替换。
我问的是如何实现这样的功能here .
我想知道是否有更好的方法来做这样的事情，或者是否有比我想做的方法更简单、更快捷的方法。
最佳答案
这里有一个建议:创建一个闭包，它接受一个包含初始变量及其各自值的映射作为第一次计算的键值对。同一个闭包返回一个内部函数，该函数接受另一个映射，其中包含用于最终计算的剩余变量和值。
因此定义一个闭包，其中第一个部分计算在外部函数中完成。根据您的链接，部分计算是总和，但我想您将计算概率的乘积。内部函数可以访问作为自由变量的部分和。当您使用包含剩余变量值对的映射调用它时，计算完成。
您还可以在外部函数中定义一个集合来保存第一次计算中使用的所有变量。然后允许内部函数也将此集合作为自由变量访问。这将确保在最终计算中排除在第一次计算中遇到的任何变量键的值。
所有这些都在下面说明。
def f1(map1):
# set to contain seen variables as keys
seen_keys = set()
computed_val1 = 0.0
for key in map1.keys():
val = map1[key]
computed_val1 += val
# remember keys already in 1st computed
seen_keys.add(key)
def f2(map2):
computed_val2 = computed_val1
for key2 in map2.keys():
# omit keys in first computation
if key2 in seen_keys:
continue
val2 = map2[key2]
computed_val2 += val2
return computed_val2
return f2
if __name__ == '__main__':
partial_map = {'factor1': 1, 'factor2': 2}
func = f1(partial_map)
remaining_map1 = {'factor3': 3}
answer1A = func(remaining_map1)
print "Answer after using partial and remaining maps = ", answer1A
# complete the partial map with factor3 to show that
# the return function will ignore variables already seen in 1st computaion
partial_map['factor3'] = 3
answer1B = func(partial_map)
print "Answer with completed map to same func = ", answer1B
# Compute remaining map with different value for factor 3
remaining_map2 = {'factor3': 15}
answer2 = func(remaining_map2)
print "Answer with different second map = ", answer2
关于python - 信念传播实现，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/17164673/