PyMC를 사용하는 이미지 용 Adaptive Metropolis의 예제/튜토리얼

Question

이미지 처리에 사용되는 AdaptiveMetropolis 단계 방법의 예제 또는 튜토리얼을 찾고 있습니다.

지금까지 발견 한 희미한 이미지 관련 리소스는이 천문학 dissertation과 관련된 GitHub repo입니다.

이 넓은 question은 PyMC 예제 코드를 제공하지 않는 것 같습니다.

이 시뮬레이션 된 어레이에서 피크를 찾는 것은 어떻습니까?

import numpy as np 
from matplotlib import pyplot as plt 

sz = (12,18) 
data_input = np.random.normal(loc=5.0, size=sz) 
data_input[7:10, 2:6] = np.random.normal(loc=100.0, size=(3,4)) 

fig = plt.figure() 
ax = fig.add_subplot(1,1,1) 
im = ax.imshow(data_input) 
ax.set_title("input") 

는

Answer 1

내가 아는 가장 가까운 여기에 있습니다 : http://nbviewer.ipython.org/github/CamDavidsonPilon/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers/blob/master/Chapter5_LossFunctions/LossFunctions.ipynb은 ( 예를 참조하십시오 관측 어둠의 세계에 Kaggle 대회) :를 찾는 것에 대해 https://github.com/pymc-devs/pymc/issues/653이 스레드에

가 특정 질문을 배열 이미지. 다음은 모델에서의 첫 번째 시도입니다.

그런 경우 가우스 노이즈가있는 2 차원 균일 분포를 추정하려는 것 같습니다. ~ ~ DiscreteUniform (0, 20)

upper_x ~ DiscreteUniform (0,20)

lower_y

lower_x : 당신은 실제 모델로이 번역해야하지만,이 하나의 생각이있을 것 DiscreteUniform (0, 20)

upper_y DiscreteUniform ~ (0, 20)

높이 ~ 정상 (100, 1)

잡음 ~ InvGamma (1, 1)

가 = 제로에게 수단 ((20, 20))

수단 [lower_x : upper_x는 lower_y는 : upper_y] = 높이 #이 결정적

있어야

데이터 ~ 정상 (뮤 = 수단, SD = 잡음)

오프셋 다음 할 lower_x로 upper_x 코드에 더 좋을 수도 : lower_x + offset_x, 그렇지 않으면 적용 할 가능성이 있음을 필요 lower_x < upper_x .