网站|文件（发布）|文档（开发）|词汇表

• GPflow做什么？
• 安装
• GPflow 2.0入门
• GPflow社区
  • 获取帮助
  • 松弛工作空间
  • 贡献
  • 使用GPflow的项目
• 版本兼容性
  • TensorFlow 1.x和GPflow 1.x
• 引用GPflow

GPflow是一个用Python构建高斯过程模型的包。它实现了对可组合核和可能性的现代高斯过程推理。

GPflow构建于TensorFlow 2.4+和TensorFlow概率用于运行计算，允许在GPU上快速执行。

这个在线文档（最新版本）/（开发）包含更多详细信息。

它最初由创建詹姆斯·亨斯曼和亚历山大·德·马修斯.它现在由（按字母顺序）积极维护阿特姆·阿特梅夫,马克·范德威尔克,ST约翰,和文森特·杜托多尔.没有社区，GPflow将不一样。我们很感激所有贡献者他们帮助塑造了GPflow。

GPflow是一个开源项目。如果你有相关技能并有兴趣参与，请联系我们（参见“GPflow社区”部分以下）。

GPflow取决于TensorFlow（TF，版本≥2.4）和TensorFlow概率（TFP，版本≥0.12）。我们支持Python≥3.7。

注：TensorFlow概率释放与TensorFlow紧密耦合，例如TFP 0.14要求TF>=2.6，TFP 0.13要求TF>=2.5，而TFP 0.12要求TF≥2.4。不幸的是，这是不在TFP的依赖项中指定。因此，如果您已经安装了TensorFlow的（旧）版本，GPflow将引入不兼容的最新TFP。如果出现以下错误ImportError:此版本的TensorFlow Probability要求TensorFlow版本>=2.4，您必须升级TensorFlow(pip安装-U张量流)或手动安装旧版本的张量流动概率包裹。

pip安装gpflow

请注意发展分支可能会定期更改，新提交可能会破坏代码。

在退房时发展的分支GPflow GitHub存储库，运行

pip安装-e.

或者，您可以安装最新的GitHub发展版本使用pip（点阵）:

pip安装git+https://github.com/GPflow/GPflow.git@开发#egg=gpflow

这将自动安装所有必需的依赖项。

有一个“GPflow 2.0简介”Jupyter笔记本；详细信息请查看。要从GPflow 1转换代码，请检查GPflow 2升级指南.

错误、功能请求、痛点、恼人的设计怪癖等：请使用GitHub问题标记错误/问题/痛点，建议新功能，并讨论在某种意义上涉及更改GPflow代码本身的任何其他与GPflow使用相关的内容。您可以利用标签例如缺陷,讨论,特征,反馈等。我们积极欢迎对可用性的评论或关注，以及对任何设计级别的更改的建议。

我们的目标是迅速回应问题，但如果您认为我们可能忘记了某个问题，请随时添加另一条评论提醒我们。

“如何使用”问题：请使用堆栈溢出（gpflow标记）提出与“如何使用GPflow”相关的问题，即理解问题，而不是需要更改GPflow代码的问题。（如果您不确定在哪里提问，我们随时欢迎您提出GitHub问题；然后我们可能会要求您将问题转移到堆栈溢出。）

我们有一个公众GPflow松弛工作区。请使用此邀请链接如果你想加入，可以问简短的非正式问题，也可以参与GPflow的讨论和未来发展。

我们非常感谢您的所有建设性意见。有关更多信息，请参阅供贡献者参考的注释.

以下列出了基于GPflow的项目并演示了其用法。以下项目基于当前的GPflow 2.x版本：

如果你想在这里列出你的项目，请告诉我们-或者简单地说打开拉请求这会将您的项目添加到上表中！

以下项目基于旧版本的GPflow（2020年前）；我们鼓励他们的作者升级到GPflow 2。

GPflow在很大程度上依赖于TensorFlow，只要TensorFlow支持向前兼容性，GPflow也应该支持。GPflow的版本可以为您提供有关向后兼容性的提示。如果主要版本已更改，则需要查看发行说明以了解API是如何更改的。

不幸的是，GPflow没有向后兼容性模型，这意味着模型实现可以在不更改接口的情况下进行更改。换句话说，对于来自不同版本GPflow的相同模型，TensorFlow图可能不同。

我们已经停止了基于TensorFlow 1的GPflow的开发和支持。支持TensorFlow 1的最新版本是第1.5.1节.文档和教程将保持可用。

要引用GPflow，请参考JMLR文件Biptex示例如下：

@条款{GPflow2017，author={Matthews、Alexander G.de G.和{van der Wilk}、Mark和Nickson、Tom和藤井庆介。和{布库瓦拉斯}、亚历克西斯和{勒{'o}n-Villagr{'a}}、巴勃罗和加赫拉马尼、邹宾和亨斯曼、詹姆斯}，title=“{{GP}流：A{G} 澳大利亚的进程库使用{T} 传感器{F} 低}",journal={机器学习研究杂志}，年份={2017年}，月={apr}，体积={18}，数字={40}，页数={1-6}，url={http://jmlr.org/papers/v18/16-537.html}}

自从GPflow论文发表以来，该软件已经得到了显著的扩展使用域间近似和多输出先验的框架。我们审查了框架并在arXiv纸,用户可以引用。

@第{条GPflow2020多输出，author={{van der Wilk}，Mark and Dutordoir，Vincent and John，ST and阿特梅夫、阿特姆和亚当、文森特和亨斯曼、詹姆斯}，title={域间和多输出{G}aussian过程}的框架，年份={2020年}，日志={arXiv:2003.01115}，url={https://arxiv.org/abs/2003.01115}}