PyMC v5.23.0 版本发布：新增变换功能与性能优化

项目简介

PyMC 是一个功能强大的 Python 概率编程框架，它允许用户构建复杂的概率模型并进行贝叶斯推断。作为开源项目，PyMC 在统计学、机器学习和科学研究领域有着广泛的应用。最新发布的 v5.23.0 版本带来了一些重要的新功能和改进。

核心变更与功能增强

1. PyTensor 依赖升级带来的广播行为变更

本次版本升级了 PyTensor 依赖，这一变更对高级 set_subtensor 操作中的运行时广播行为产生了影响。在之前的版本中，某些形式的运行时广播是被允许的，但在 v5.23.0 中，这些操作现在会引发错误。这一变化有助于提高代码的明确性和一致性，虽然可能需要用户对现有代码进行少量调整，但长远来看有助于避免潜在的错误。

2. Minibatch 移除变换

新版本引入了一个实用的变换功能，可以从模型中移除 Minibatch。这一特性对于需要在不同训练阶段切换批量大小的场景特别有用。通过这个变换，开发者可以更灵活地控制模型的训练过程，特别是在处理大规模数据集时，能够更高效地进行内存管理。

3. 新增有序变换类型

v5.23.0 实现了两种新的有序变换：

• 反向有序变换 (reversed ordered)
• 严格正有序变换 (strictly positive ordered)

这些变换扩展了 PyMC 处理有序变量的能力，为建模提供了更多可能性。特别是在需要约束变量保持特定顺序关系的场景下，这些变换能够简化模型构建过程。

实用工具与改进

1. 采样测试工具

新版本添加了一个公共测试函数来模拟 sample 操作。这一工具对于开发和测试自定义采样器或验证模型行为非常有用，可以节省开发者在测试阶段的时间。

2. 潜在高斯过程条件分布优化

在潜在高斯过程的条件分布计算中，现在默认使用 SVD（奇异值分解）方法。这一变更提高了数值稳定性和计算效率，特别是在处理病态协方差矩阵时表现更为稳健。

文档与维护改进

1. 文档增强

• 新增了 GP 工具模块的文档，使高斯过程相关功能的查找和使用更加方便
• 更新了文档主题，改善了阅读体验
• 优化了 Model.profile 方法的文档字符串和类型提示，使API更加清晰

2. 符号归一化常数优化

在维护方面，新版本不再将随机变量包含在符号归一化常数中。这一优化有助于提高计算效率，特别是在处理复杂模型时。

总结

PyMC v5.23.0 版本在功能扩展和性能优化方面都做出了有价值的贡献。从新增的变换功能到计算方法的改进，这些变化都使得 PyMC 作为一个概率编程框架更加完善和强大。对于现有用户，建议关注 PyTensor 依赖升级可能带来的广播行为变化，同时探索新版本提供的各种新功能来提升建模体验。