贝叶斯神经网络技术概览：Bayprop、Backprop、MC Dropout、SGLD、局部重新参数化及KF-Laplace方法...

简介：
本文章综述了贝叶斯神经网络的关键技术，包括Bayprop、Backprop、MC Dropout、SGLD等方法，并深入探讨了局部重新参数化和KF-Laplace的应用与优势。 贝叶斯神经网络的近似推理方法在Pytorch中有如下实现：我们还提供以下代码作为支持：先决条件包括Torch、Matplotlib。该项目使用Python 2.7和Pytorch 1.0.1编写，如果系统中安装了CUDA，则程序会自动利用其进行加速；否则也可以直接在CPU上运行而不会占用太多资源。 对于结构化回归实验部分，我们对通过特定方式生成的玩具数据集以及六个真实世界的数据进行了均方差和异方差回归测试。此外，在Notebooks / classification 文件夹中可以找到以（ModelName）_（ExperimentType）.ipynb 命名的所有相关试验记录文件，其中包含了在不同实验类型下使用特定模型进行的各类分类或回归分析的结果展示与讨论。