让我们更多地利用我们在贝叶斯框架中的产出，并在我们的预测中探索不确定性。正如我们的预测是分类的，我们不能简单地计算预测标准差。相反，我们计算的是卡方统计量，它告诉我们样本的均匀程度。越均匀，我们的不确定性越高。我不确定这是否是最好的方法。

正如我们所看到的，当模型出错时，答案会更加不确定(即提供的答案更加均匀)。你可能会说，你从一个普通的ANN那里得到了同样的效果，但事实并非如此。

这篇文章在后续会翻译

结论

通过桥接Lasagne和PyMC3，并通过使用小批量的ADVI来训练贝叶斯神经网络，在一个合适的和复杂的数据集上(MNIST)，我们在实际的贝叶斯深度学习问题上迈出了一大步。

我还认为这说明了PyMC3的好处。通过使用一种常用的语言(Python)和抽象计算后端(Theano)，我们能够很容易地利用该生态系统的强大功能，并以一种从未考虑过的方式使用PyMC3。我期待着将它扩展到新的领域。

关注者