PyMC 常微分方程ODE贝叶斯建模指南DifferentialEquation 从 API 到梯度实现【免费下载链接】pymcBayesian Modeling and Probabilistic Programming in Python项目地址: https://gitcode.com/GitHub_Trending/py/pymc本指南围绕 PyMC 官方 API 文档 docs/source/api/ode.rst 所对应的pymc.ode模块展开系统讲解如何在贝叶斯模型中嵌入常微分方程ODE动力学从DifferentialEquation的数学形式与全部构造参数到把 ODE 数值解作为观测分布均值参与 MCMC 采样的完整实战流程并深入源码剖析其基于增广系统 灵敏度矩阵的自动梯度实现原理。读完本文你将能够在 PyMC 中直接定义带未知参数的 ODE 系统并将其作为随机模型的确定性前向内核完成参数推断。一、模块定位pymc.ode是什么pymc.ode是 PyMC 中用于对常微分方程执行贝叶斯推理的工具子模块在 pymc/ode/init.py 中导出并经 pymc/init.py 以pm.ode挂载到顶层命名空间同时把唯一的公开类DifferentialEquation直接暴露出来。它的核心用途是把形式如下的初值问题嵌入到一个可微分的概率模型图中$$\frac{dy}{dt} f(y, t, p), \quad y(t_0) y_0$$其中 $y$ 是系统的状态向量如药物浓度、种群数量、化学反应物浓度$p$ 是动力学参数如速率常数、增长率。在贝叶斯框架下这些 $p$ 正是我们希望通过观测数据 $y_{\text{obs}}$ 反推其后验分布的未知量。从模块 docstring见 pymc/ode/init.py可以明确两点官方定位该模块提供工具级的 ODE 求解支持而不是一个独立的完整求解器套件由于所用求解器的特性ODE 求解过程可能较慢模块文档明确提示基于 PyMC 的另一个库sunode使用 SUNDIALS 套件实现了 Adams 方法与 BDF向后差分公式速度远超pm.ode的默认实现——如果你的模型对求解速度敏感这是一个值得了解的替代方向。二、DifferentialEquation把 ODE 变成 PyTensor 算子DifferentialEquation是整个pymc.ode模块唯一公开的核心类定义在 pymc/ode/ode.py。从源码结构看它继承自pytensor.graph.op.Op即一个自定义 PyTensor 算子向计算图输入初始条件y0与参数向量theta输出各观测时刻的数值解以及可选的灵敏度张量。这正是它能够无缝嵌入pm.Model()、参与梯度计算与 HMC 采样的根本原因。类的 docstring 给出了完整的数学形式与构造签名dy/dt f(y, t, p) y(t0) y0构造函数为DifferentialEquation(func, times, *, n_states, n_theta, t00)注意n_states、n_theta是关键字专用参数*之后t0默认取0。核心参数一览参数类型含义说明funccallable定义微分方程的函数必须可调用签名必须为func(y, t, p)其中y为(n_states,)状态向量t为标量时刻p为(n_theta,)参数向量timesarray求解并返回数值解的时刻数组构造时会被转为 tuple 存储同时内部会把t0插入到数组最前面作为积分起点n_statesint系统状态维度标量微分方程取 1向量系统等于方程组个数必须 ≥ 1n_thetaint微分方程中未知参数的个数必须为正整数 0t0float初始条件对应的时刻默认 0即 $y(t_0)y_0$构造时的参数校验__init__pymc/ode/ode.py会对参数做前置检查违反任一条件都会抛出ValueErrorfunc不可调用 →Argument func must be callable.n_states 1→Argument n_states must be at least 1.n_theta 0→Argument n_theta must be positive.这些错误消息在 tests/ode/test_ode.py 的TestErrors中均有对应的单元测试逐一验证。三、快速上手Logistic 微分方程DifferentialEquationdocstring 中给出了一个最小可用示例——Logistic 微分方程这是理解整个 API 的最佳起点import numpy as np from pymc.ode import DifferentialEquation def odefunc(y, t, p): # Logistic differential equation: dy/dt p0 * y * (1 - y) return p[0] * y[0] * (1 - y[0]) times np.arange(0.5, 5, 0.5) ode_model DifferentialEquation(funcodefunc, timestimes, n_states1, n_theta1, t00)这里odefunc接收三个参数当前状态y一维数组、当前时刻t、参数向量p返回导数值。随后调用算子即可得到所有times时刻的数值解solution ode_model(y0[0.1], theta[0.5]) # 形状为 (n_times, n_states)返回值形状为(len(times), n_states)行对应每个观测时刻列对应每个状态变量。关于func返回值类型的约定augment_system见 pymc/ode/utils.py对func的返回值有明确约束它必须是以下三者之一单个pt.TensorVariable会经pt.atleast_1d转成一维Pythonlist或tuple逐元素pt.stack成一维张量其他类型直接抛出TypeError提示Unexpected type, ... returned by ode_func.。同时返回值维度必须是 0 维或 1 维若返回 2 维张量会抛出ValueError。对应的边界测试覆盖了返回 set、dict、2 维 list、2 维 tensor 四种非法情况tests/ode/test_ode.py。四、把 ODE 嵌入贝叶斯模型完整可运行示例DifferentialEquation的真正价值在于数值解可以出现在概率密度函数中从而让 MCMC 对动力学参数进行推断。tests/ode/test_ode.py 中的test_scalar_ode_1_param给出了一个完整、可直接复现的建模流程这也是 ODE 贝叶斯推断的标准范式import pymc as pm import pytensor from pymc.ode import DifferentialEquation from pymc.testing import fast_unstable_sampling_mode def system(y, t, p): # dy/dt exp(-t) - p0 * y return np.exp(-t) - p[0] * y[0] times np.array([0.5, 1.0, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0, 4.5, 5.0, 5.5, 6.0, 6.5, 7.0, 7.5]) yobs np.array( [0.31, 0.57, 0.51, 0.55, 0.47, 0.42, 0.38, 0.3, 0.26, 0.22, 0.22, 0.14, 0.14, 0.09, 0.1] )[:, np.newaxis] ode_model DifferentialEquation(funcsystem, t00, timestimes, n_states1, n_theta1) with pm.Model() as model: alpha pm.HalfCauchy(alpha, 1) # 动力学参数先验 y0 pm.LogNormal(y0, 0, 1) # 初始条件先验 sigma pm.HalfCauchy(sigma, 1) # 观测噪声 forward ode_model(theta[alpha], y0[y0]) # 前向求解作为均值 y pm.LogNormal(y, mupm.math.log(forward), sigmasigma, observedyobs) idata pm.sample(50, tune0, chains1)要点拆解参数向量theta与y0可以是随机变量这里把alpha和y0都声明为先验分布ode_model(theta[alpha], y0[y0])会在每次采样迭代中用当前参数值重新求解 ODE数值解直接充当观测分布的均值forward的形状为(15, 1)与yobs对齐因此可作为mu参与似然计算维度一致性theta长度必须等于n_thetay0长度必须等于n_states否则__call__pymc/ode/ode.py会抛出pymc.exceptions.ShapeError错误消息形如Length of theta is wrong. (actual (2,) ! expected (1,))对应测试见 tests/ode/test_ode.py向量系统同理tests/ode/test_ode.py中的test_vector_ode_1_param演示了经典的 SIR 类两状态模型odefunc返回[ds, di]列表y0[0.99, 0.01]n_states2。五、梯度从哪来增广系统与灵敏度矩阵贝叶斯采样尤其是 NUTS/HMC要求整个模型图可微但scipy.integrate.odeint只是数值积分器本身不提供解析梯度。pymc.ode的巧妙之处在于把状态 状态对参数的偏导数灵敏度拼成一个增广系统一次性积分求解从而通过前向灵敏度分析获得精确梯度。5.1 增广系统augment_system核心实现在 pymc/ode/utils.py。它对用户定义的ode_func做符号变换构造新的微分方程系统把y、p、t声明为float64的 PyTensor 符号变量注释明确指出即使floatXfloat32也使用 float64因为 SciPy 积分器始终使用 float64计算状态雅可比 $J \partial f / \partial y$ 与参数雅可比 $\partial f / \partial p$构造灵敏度的时间导数$$\frac{d}{dt}\left(\frac{\partial y}{\partial p}\right) J \cdot \frac{\partial y}{\partial p} \frac{\partial f}{\partial p}$$用pytensor.function编译成可调用的system输入(y, t, p, dydp_vec)输出(t_yhat, ddt_dydp)。这样原 ODE 与灵敏度 ODE 被缝合成一个整体在DifferentialEquation._systempymc/ode/ode.py中统一喂给odeint。5.2 灵敏度初始条件make_sens_ic灵敏度矩阵的初值并非任意设定而是由 pymc/ode/utils.py 的make_sens_ic生成具有固定的结构形状为(n_states, n_states n_theta)的矩阵前n_states列对应参数向量中的初始条件部分为单位矩阵 $I$因为 $\partial y_0 / \partial y_0 I$后n_theta列对应 ODE 参数部分全为 0因为 $y_0$ 与动力学参数无关最终ravel成一维向量参与增广积分。对应的形状断言测试见 tests/ode/test_ode.py覆盖了标量/向量系统与 13 个参数的多种组合。例如 1 状态 1 参数系统灵敏度初值恒为[1, 0]。5.3grad方法把灵敏度变成梯度DifferentialEquation.gradpymc/ode/ode.py实现了 PyTensor Op 的反向传播规则从缓存_output_sensitivities中取出与当前输入对应的符号灵敏度sens形状(n_times, n_states, n_p)其中n_p n_states n_theta对每个参数 $p_j$计算pt.sum(sens[:, :, j] * ograds)即灵敏度与上游梯度的逐元素乘积之和返回两个梯度张量前n_states个对应y0后n_theta个对应theta。grad的正确性由 tests/ode/test_utils.py 验证对dy/dt exp(-t) - p0*y用解析解的导数与数值积分灵敏度对比rtol1e-5内一致。5.4 一次前向积分两种输出_simulatepymc/ode/ode.py把所有状态与灵敏度拼接为初始向量后调用scipy.integrate.odeint随后拆分状态解y形状(n_times, n_states)灵敏度sens形状(n_times, n_states, n_p)。infer_shapepymc/ode/ode.py据此声明输出形状。默认__call__只返回状态解传入return_sensTrue可同时拿到灵敏度供调试或自定义梯度使用states, sens ode_model(y0[0.1], theta[0.5], return_sensTrue)六、数值精度与求解器说明求解器积分由scipy.integrate.odeint完成pymc/ode/ode.py并在积分前把时间数组改写为t0插入后的_augmented_timespymc/ode/ode.py因此times无需包含t0精度数值解精度可由 tests/ode/test_ode.py 的test_simulate佐证——对dy/dt exp(-t) - a*y的解析解对比rtol1e-5内一致logp 一致性test_logp_scalar_odetests/ode/test_ode.py把 ODE 前向解手动代入scipy.stats.norm.logpdf计算手工 logp与pm.Model().compile_logp()的结果做allclose对比确保 ODE 算子接入概率图后似然计算完全正确性能提醒模块 docstring 明确提示 ODE 求解可能偏慢对速度敏感的场景可考虑基于 SUNDIALS 的sunode方案实现了 Adams 方法与 BDF 公式。七、算子相等性与缓存机制DifferentialEquation通过__props__ (func, times, n_states, n_theta, t0)pymc/ode/ode.py声明其身份属性PyTensor 据此判断两个 Op 是否等价函数体、求解时刻、状态数、参数数、初值时刻全部相同的两个实例相等。这一点被test_op_equalitytests/ode/test_ode.py验证——相同配置的实例相等、不同times的实例不相等。此外实例内部维护_apply_nodes与_output_sensitivities两个字典以输入哈希为键缓存符号灵敏度pymc/ode/ode.pymake_node与grad共用该缓存避免在同一计算图中重复构造灵敏度张量。八、小结围绕 docs/source/api/ode.rst 所索引的pymc.ode模块本文完成了从 API 到实现的全链路梳理建模入口DifferentialEquation(func, times, n_states, n_theta, t00)五个参数决定了 ODE 系统的全部语义构造期即有严格校验使用范式ode_model(theta[...], y0[...])返回(n_times, n_states)数值解可直接作为观测分布均值随机变量参数使其适配 MCMC 推断梯度原理通过 pymc/ode/utils.py 的augment_system与make_sens_ic构造增广系统一次积分同时得到状态与灵敏度grad方法将其转译为反向传播所需的梯度工程细节输入形状以ShapeError严格校验Op 相等性由__props__定义求解精度与 logp 正确性均有测试用例背书。如需深入阅读源码推荐按以下顺序研读核心算子 pymc/ode/ode.py、灵敏度工具 pymc/ode/utils.py、集成测试 tests/ode/test_ode.py、梯度数值验证 tests/ode/test_utils.py并可从 docs/source/api.rst 了解整个 API 文档的组织结构。【免费下载链接】pymcBayesian Modeling and Probabilistic Programming in Python项目地址: https://gitcode.com/GitHub_Trending/py/pymc创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
PyMC 常微分方程ODE贝叶斯建模指南DifferentialEquation 从 API 到梯度实现【免费下载链接】pymcBayesian Modeling and Probabilistic Programming in Python项目地址: https://gitcode.com/GitHub_Trending/py/pymc本指南围绕 PyMC 官方 API 文档 docs/source/api/ode.rst 所对应的pymc.ode模块展开系统讲解如何在贝叶斯模型中嵌入常微分方程ODE动力学从DifferentialEquation的数学形式与全部构造参数到把 ODE 数值解作为观测分布均值参与 MCMC 采样的完整实战流程并深入源码剖析其基于增广系统 灵敏度矩阵的自动梯度实现原理。读完本文你将能够在 PyMC 中直接定义带未知参数的 ODE 系统并将其作为随机模型的确定性前向内核完成参数推断。一、模块定位pymc.ode是什么pymc.ode是 PyMC 中用于对常微分方程执行贝叶斯推理的工具子模块在 pymc/ode/init.py 中导出并经 pymc/init.py 以pm.ode挂载到顶层命名空间同时把唯一的公开类DifferentialEquation直接暴露出来。它的核心用途是把形式如下的初值问题嵌入到一个可微分的概率模型图中$$\frac{dy}{dt} f(y, t, p), \quad y(t_0) y_0$$其中 $y$ 是系统的状态向量如药物浓度、种群数量、化学反应物浓度$p$ 是动力学参数如速率常数、增长率。在贝叶斯框架下这些 $p$ 正是我们希望通过观测数据 $y_{\text{obs}}$ 反推其后验分布的未知量。从模块 docstring见 pymc/ode/init.py可以明确两点官方定位该模块提供工具级的 ODE 求解支持而不是一个独立的完整求解器套件由于所用求解器的特性ODE 求解过程可能较慢模块文档明确提示基于 PyMC 的另一个库sunode使用 SUNDIALS 套件实现了 Adams 方法与 BDF向后差分公式速度远超pm.ode的默认实现——如果你的模型对求解速度敏感这是一个值得了解的替代方向。二、DifferentialEquation把 ODE 变成 PyTensor 算子DifferentialEquation是整个pymc.ode模块唯一公开的核心类定义在 pymc/ode/ode.py。从源码结构看它继承自pytensor.graph.op.Op即一个自定义 PyTensor 算子向计算图输入初始条件y0与参数向量theta输出各观测时刻的数值解以及可选的灵敏度张量。这正是它能够无缝嵌入pm.Model()、参与梯度计算与 HMC 采样的根本原因。类的 docstring 给出了完整的数学形式与构造签名dy/dt f(y, t, p) y(t0) y0构造函数为DifferentialEquation(func, times, *, n_states, n_theta, t00)注意n_states、n_theta是关键字专用参数*之后t0默认取0。核心参数一览参数类型含义说明funccallable定义微分方程的函数必须可调用签名必须为func(y, t, p)其中y为(n_states,)状态向量t为标量时刻p为(n_theta,)参数向量timesarray求解并返回数值解的时刻数组构造时会被转为 tuple 存储同时内部会把t0插入到数组最前面作为积分起点n_statesint系统状态维度标量微分方程取 1向量系统等于方程组个数必须 ≥ 1n_thetaint微分方程中未知参数的个数必须为正整数 0t0float初始条件对应的时刻默认 0即 $y(t_0)y_0$构造时的参数校验__init__pymc/ode/ode.py会对参数做前置检查违反任一条件都会抛出ValueErrorfunc不可调用 →Argument func must be callable.n_states 1→Argument n_states must be at least 1.n_theta 0→Argument n_theta must be positive.这些错误消息在 tests/ode/test_ode.py 的TestErrors中均有对应的单元测试逐一验证。三、快速上手Logistic 微分方程DifferentialEquationdocstring 中给出了一个最小可用示例——Logistic 微分方程这是理解整个 API 的最佳起点import numpy as np from pymc.ode import DifferentialEquation def odefunc(y, t, p): # Logistic differential equation: dy/dt p0 * y * (1 - y) return p[0] * y[0] * (1 - y[0]) times np.arange(0.5, 5, 0.5) ode_model DifferentialEquation(funcodefunc, timestimes, n_states1, n_theta1, t00)这里odefunc接收三个参数当前状态y一维数组、当前时刻t、参数向量p返回导数值。随后调用算子即可得到所有times时刻的数值解solution ode_model(y0[0.1], theta[0.5]) # 形状为 (n_times, n_states)返回值形状为(len(times), n_states)行对应每个观测时刻列对应每个状态变量。关于func返回值类型的约定augment_system见 pymc/ode/utils.py对func的返回值有明确约束它必须是以下三者之一单个pt.TensorVariable会经pt.atleast_1d转成一维Pythonlist或tuple逐元素pt.stack成一维张量其他类型直接抛出TypeError提示Unexpected type, ... returned by ode_func.。同时返回值维度必须是 0 维或 1 维若返回 2 维张量会抛出ValueError。对应的边界测试覆盖了返回 set、dict、2 维 list、2 维 tensor 四种非法情况tests/ode/test_ode.py。四、把 ODE 嵌入贝叶斯模型完整可运行示例DifferentialEquation的真正价值在于数值解可以出现在概率密度函数中从而让 MCMC 对动力学参数进行推断。tests/ode/test_ode.py 中的test_scalar_ode_1_param给出了一个完整、可直接复现的建模流程这也是 ODE 贝叶斯推断的标准范式import pymc as pm import pytensor from pymc.ode import DifferentialEquation from pymc.testing import fast_unstable_sampling_mode def system(y, t, p): # dy/dt exp(-t) - p0 * y return np.exp(-t) - p[0] * y[0] times np.array([0.5, 1.0, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0, 4.5, 5.0, 5.5, 6.0, 6.5, 7.0, 7.5]) yobs np.array( [0.31, 0.57, 0.51, 0.55, 0.47, 0.42, 0.38, 0.3, 0.26, 0.22, 0.22, 0.14, 0.14, 0.09, 0.1] )[:, np.newaxis] ode_model DifferentialEquation(funcsystem, t00, timestimes, n_states1, n_theta1) with pm.Model() as model: alpha pm.HalfCauchy(alpha, 1) # 动力学参数先验 y0 pm.LogNormal(y0, 0, 1) # 初始条件先验 sigma pm.HalfCauchy(sigma, 1) # 观测噪声 forward ode_model(theta[alpha], y0[y0]) # 前向求解作为均值 y pm.LogNormal(y, mupm.math.log(forward), sigmasigma, observedyobs) idata pm.sample(50, tune0, chains1)要点拆解参数向量theta与y0可以是随机变量这里把alpha和y0都声明为先验分布ode_model(theta[alpha], y0[y0])会在每次采样迭代中用当前参数值重新求解 ODE数值解直接充当观测分布的均值forward的形状为(15, 1)与yobs对齐因此可作为mu参与似然计算维度一致性theta长度必须等于n_thetay0长度必须等于n_states否则__call__pymc/ode/ode.py会抛出pymc.exceptions.ShapeError错误消息形如Length of theta is wrong. (actual (2,) ! expected (1,))对应测试见 tests/ode/test_ode.py向量系统同理tests/ode/test_ode.py中的test_vector_ode_1_param演示了经典的 SIR 类两状态模型odefunc返回[ds, di]列表y0[0.99, 0.01]n_states2。五、梯度从哪来增广系统与灵敏度矩阵贝叶斯采样尤其是 NUTS/HMC要求整个模型图可微但scipy.integrate.odeint只是数值积分器本身不提供解析梯度。pymc.ode的巧妙之处在于把状态 状态对参数的偏导数灵敏度拼成一个增广系统一次性积分求解从而通过前向灵敏度分析获得精确梯度。5.1 增广系统augment_system核心实现在 pymc/ode/utils.py。它对用户定义的ode_func做符号变换构造新的微分方程系统把y、p、t声明为float64的 PyTensor 符号变量注释明确指出即使floatXfloat32也使用 float64因为 SciPy 积分器始终使用 float64计算状态雅可比 $J \partial f / \partial y$ 与参数雅可比 $\partial f / \partial p$构造灵敏度的时间导数$$\frac{d}{dt}\left(\frac{\partial y}{\partial p}\right) J \cdot \frac{\partial y}{\partial p} \frac{\partial f}{\partial p}$$用pytensor.function编译成可调用的system输入(y, t, p, dydp_vec)输出(t_yhat, ddt_dydp)。这样原 ODE 与灵敏度 ODE 被缝合成一个整体在DifferentialEquation._systempymc/ode/ode.py中统一喂给odeint。5.2 灵敏度初始条件make_sens_ic灵敏度矩阵的初值并非任意设定而是由 pymc/ode/utils.py 的make_sens_ic生成具有固定的结构形状为(n_states, n_states n_theta)的矩阵前n_states列对应参数向量中的初始条件部分为单位矩阵 $I$因为 $\partial y_0 / \partial y_0 I$后n_theta列对应 ODE 参数部分全为 0因为 $y_0$ 与动力学参数无关最终ravel成一维向量参与增广积分。对应的形状断言测试见 tests/ode/test_ode.py覆盖了标量/向量系统与 13 个参数的多种组合。例如 1 状态 1 参数系统灵敏度初值恒为[1, 0]。5.3grad方法把灵敏度变成梯度DifferentialEquation.gradpymc/ode/ode.py实现了 PyTensor Op 的反向传播规则从缓存_output_sensitivities中取出与当前输入对应的符号灵敏度sens形状(n_times, n_states, n_p)其中n_p n_states n_theta对每个参数 $p_j$计算pt.sum(sens[:, :, j] * ograds)即灵敏度与上游梯度的逐元素乘积之和返回两个梯度张量前n_states个对应y0后n_theta个对应theta。grad的正确性由 tests/ode/test_utils.py 验证对dy/dt exp(-t) - p0*y用解析解的导数与数值积分灵敏度对比rtol1e-5内一致。5.4 一次前向积分两种输出_simulatepymc/ode/ode.py把所有状态与灵敏度拼接为初始向量后调用scipy.integrate.odeint随后拆分状态解y形状(n_times, n_states)灵敏度sens形状(n_times, n_states, n_p)。infer_shapepymc/ode/ode.py据此声明输出形状。默认__call__只返回状态解传入return_sensTrue可同时拿到灵敏度供调试或自定义梯度使用states, sens ode_model(y0[0.1], theta[0.5], return_sensTrue)六、数值精度与求解器说明求解器积分由scipy.integrate.odeint完成pymc/ode/ode.py并在积分前把时间数组改写为t0插入后的_augmented_timespymc/ode/ode.py因此times无需包含t0精度数值解精度可由 tests/ode/test_ode.py 的test_simulate佐证——对dy/dt exp(-t) - a*y的解析解对比rtol1e-5内一致logp 一致性test_logp_scalar_odetests/ode/test_ode.py把 ODE 前向解手动代入scipy.stats.norm.logpdf计算手工 logp与pm.Model().compile_logp()的结果做allclose对比确保 ODE 算子接入概率图后似然计算完全正确性能提醒模块 docstring 明确提示 ODE 求解可能偏慢对速度敏感的场景可考虑基于 SUNDIALS 的sunode方案实现了 Adams 方法与 BDF 公式。七、算子相等性与缓存机制DifferentialEquation通过__props__ (func, times, n_states, n_theta, t0)pymc/ode/ode.py声明其身份属性PyTensor 据此判断两个 Op 是否等价函数体、求解时刻、状态数、参数数、初值时刻全部相同的两个实例相等。这一点被test_op_equalitytests/ode/test_ode.py验证——相同配置的实例相等、不同times的实例不相等。此外实例内部维护_apply_nodes与_output_sensitivities两个字典以输入哈希为键缓存符号灵敏度pymc/ode/ode.pymake_node与grad共用该缓存避免在同一计算图中重复构造灵敏度张量。八、小结围绕 docs/source/api/ode.rst 所索引的pymc.ode模块本文完成了从 API 到实现的全链路梳理建模入口DifferentialEquation(func, times, n_states, n_theta, t00)五个参数决定了 ODE 系统的全部语义构造期即有严格校验使用范式ode_model(theta[...], y0[...])返回(n_times, n_states)数值解可直接作为观测分布均值随机变量参数使其适配 MCMC 推断梯度原理通过 pymc/ode/utils.py 的augment_system与make_sens_ic构造增广系统一次积分同时得到状态与灵敏度grad方法将其转译为反向传播所需的梯度工程细节输入形状以ShapeError严格校验Op 相等性由__props__定义求解精度与 logp 正确性均有测试用例背书。如需深入阅读源码推荐按以下顺序研读核心算子 pymc/ode/ode.py、灵敏度工具 pymc/ode/utils.py、集成测试 tests/ode/test_ode.py、梯度数值验证 tests/ode/test_utils.py并可从 docs/source/api.rst 了解整个 API 文档的组织结构。【免费下载链接】pymcBayesian Modeling and Probabilistic Programming in Python项目地址: https://gitcode.com/GitHub_Trending/py/pymc创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
