GPyTorch
GPyTorch 是一个使用 PyTorch 实现的高斯过程库。GPyTorch 旨在轻松创建可伸缩的、灵活的、模块化的高斯过程模型。
在内部，GPyTorch 不同于许多现有的 GP 推理方法，它使用现代数值线性代数技术（如预条件共轭梯度）执行所有推理操作。实施可扩展的 GP 方法非常简单，就像通过我们的 LazyTensor 接口提供一个包含内核矩阵及其导数的矩阵乘法例程，或者通过组合现有的许多 LazyTensor 一样简单。这不仅可以轻松实现流行的可扩展 GP 技术，而且通常还可以显着提高 GPU 计算的利用率。
GPyTorch 提供（1）显着的 GPU 加速（通过基于 MVM 的推理）；（2）可扩展性和灵活性（SKI/KISS-GP，随机 Lanczos 扩展，LOVE，SKIP，随机变分 深度内核学习 等）的最新算法进步的最新实现；（3）易于与深度学习框架集成。
示例，教程和文档
请参阅我们的大量示例和教程，了解如何在 GPyTorch 中构造各种模型。
安装
要求：
- Python>= 3.6
- PyTorch>= 1.5
使用pip或conda安装GPyTorch：
pip install gpytorch conda install gpytorch -c gpytorch
最新（不稳定）版本
要升级到最新（不稳定）版本，请运行
pip install --upgrade git+https://github.com/cornellius-gp/gpytorch.git
ArchLinux 软件包
注意：实验性 AUR 套件。 对于大多数用户，我们建议通过 conda 或 pip 安装。
GPyTorch 也可以在 ArchLinux 用户存储库（AUR）中使用。 您可以使用 yay 这样的 AUR 帮助器 进行安装，如下所示：
yay -S python-gpytorch
要讨论与此 AUR 软件包相关的任何问题，请参阅 python-gpytorch 的注释部分。
引用我们
如果您使用 GPyTorch，请引用以下论文：
@inproceedings{gardner2018gpytorch,
title={GPyTorch: Blackbox Matrix-Matrix Gaussian Process Inference with GPU Acceleration},
author={Gardner, Jacob R and Pleiss, Geoff and Bindel, David and Weinberger, Kilian Q and Wilson, Andrew Gordon},
booktitle={Advances in Neural Information Processing Systems},
year={2018}
}
开发
要运行单元测试：
python -m unittest
默认情况下，对于某些测试，随机种子是锁定的。如果希望在不锁定种子的情况下运行测试，请运行
UNLOCK_SEED=true python -m unittest
如果您打算提交请求请求，请利用我们的预提交钩子，以确保您的提交符合仓库所执行的一般样式准则。 为此，请导航到本地存储库并运行：
pip install pre-commit pre-commit install
从那时起，每当您提交给 gpytorch 或它的分支时，它将自动在您提交的文件上运行 flake8、isort、black 和其他工具。
团队
GPyTorch 主要由以下人员维护：
- Jake Gardner (Uber AI Labs)
- Geoff Pleiss (Cornell University)
- Kilian Weinberger (Cornell University)
- Andrew Gordon Wilson (Cornell University)
- Max Balandat (Facebook)
我们要感谢其他贡献者，包括（但不限于）David Arbour, Eytan Bakshy, David Eriksson, Jared Frank, Sam Stanton, Bram Wallace, Ke Alexander Wang, Ruihan Wu。
致谢
比利和梅琳达·盖茨基金会，美国国家科学基金会和 SAP 的资助为 GPyTorch 的开发提供了支持。
（The first version translated by vz on 2020.07.26）
