dowhy.causal_prediction.models 包#
子模块#
dowhy.causal_prediction.models.networks 模块#
- MNIST_MLP 架构借鉴自 OoD-Bench
- @inproceedings{ye2022ood,
title={OoD-Bench: Quantifying and Understanding Two Dimensions of Out-of-Distribution Generalization}, author={Ye, Nanyang and Li, Kaican and Bai, Haoyue and Yu, Runpeng and Hong, Lanqing and Zhou, Fengwei and Li, Zhenguo and Zhu, Jun}, booktitle={CVPR}, year={2022}
}
- dowhy.causal_prediction.models.networks.Classifier(in_features, out_features, is_nonlinear=False)[source]#
- class dowhy.causal_prediction.models.networks.ContextNet(input_shape)[source]#
基类:
Module初始化内部 Module 状态，由 nn.Module 和 ScriptModule 共享。
- forward(x)[source]#
定义每次调用时执行的计算。
应被所有子类重写。
注意
尽管前向传播的逻辑需要在此函数中定义，但之后应调用
Module实例而不是直接调用此函数，因为前者会处理注册的钩子，而后者则会默默忽略它们。
- training: bool#
- class dowhy.causal_prediction.models.networks.Identity[source]#
基类:
Module一个恒等层
初始化内部 Module 状态，由 nn.Module 和 ScriptModule 共享。
- forward(x)[source]#
定义每次调用时执行的计算。
应被所有子类重写。
注意
尽管前向传播的逻辑需要在此函数中定义，但之后应调用
Module实例而不是直接调用此函数，因为前者会处理注册的钩子，而后者则会默默忽略它们。
- training: bool#
- class dowhy.causal_prediction.models.networks.MLP(n_inputs, n_outputs, mlp_width, mlp_depth, mlp_dropout)[source]#
基类:
Module一个简单的 MLP
初始化内部 Module 状态，由 nn.Module 和 ScriptModule 共享。
- forward(x)[source]#
定义每次调用时执行的计算。
应被所有子类重写。
注意
尽管前向传播的逻辑需要在此函数中定义，但之后应调用
Module实例而不是直接调用此函数，因为前者会处理注册的钩子，而后者则会默默忽略它们。
- training: bool#
- class dowhy.causal_prediction.models.networks.MNIST_CNN(input_shape)[source]#
基类:
Module为 MNIST 手工调优的架构。到目前为止使用此架构注意到的一些奇怪之处： - 在特征的均值池化后添加线性层会严重损害
RotatedMNIST-100 的泛化能力。
初始化内部 Module 状态，由 nn.Module 和 ScriptModule 共享。
- forward(x)[source]#
定义每次调用时执行的计算。
应被所有子类重写。
注意
尽管前向传播的逻辑需要在此函数中定义，但之后应调用
Module实例而不是直接调用此函数，因为前者会处理注册的钩子，而后者则会默默忽略它们。
- n_outputs = 128#
- training: bool#
- class dowhy.causal_prediction.models.networks.MNIST_MLP(input_shape)[source]#
基类:
Module初始化内部 Module 状态，由 nn.Module 和 ScriptModule 共享。
- forward(x)[source]#
定义每次调用时执行的计算。
应被所有子类重写。
注意
尽管前向传播的逻辑需要在此函数中定义，但之后应调用
Module实例而不是直接调用此函数，因为前者会处理注册的钩子，而后者则会默默忽略它们。
- training: bool#