臨近春節你爲何打不到車？機率論來幫忙！

馬斯克已經讓他的Tesla跑車飛上了天，然而地面上想打車的你，可能會發現隨着春節的臨近，愈來愈難呼喚到一輛車了。

加班需謹慎

要說打車，Uber是世界上最流行的打車軟件之一。Uber必須不停地匹配搭車者和司機，並使他們能儘量快地抵達目的地。這個簡單的任務的每一步都須要優化，好比決定最優路徑、最佳到達時間……

然而，現實世界充滿了不肯定性。雨雪啦，事故啦，不少事件的發生均可能影響車輛的供需。

我有幾張阿里雲幸運券分享給你，用券購買或者升級阿里雲相應產品會有特惠驚喜哦！把想要買的產品的幸運券都領走吧！快下手，立刻就要搶光了。

許多目前的機器學習模型仍是基於肯定性的，可是現實世界的數據基本都是不完整的，或者某種意義上不完善的。這樣一來，在作預測（好比預測車輛供需）的時候，機率論就頗有用武之地了。

貝葉斯推斷能讓咱們在預測以前對現實世界有一個先驗假設，而且能基於觀測不斷更新模型。

不久前，爲了更好地適應現實世界的不肯定性，Uber的團隊開源了一種編程語言Pyro。Pyro是一種機率語言，使用Python和PyTorch構建。咱們能夠經過它，創建一個既能夠擴展也十分高效的貝葉斯深度學習模型。

編程語言那麼多，爲何恰恰還要開發一種？

由於這種語言能適應不肯定性建模——對於模型中兩次一樣的輸入值，可能會有兩個不一樣的結果。在傳統的編程語言中使用機率簡直太難了，機率只能存在於晦澀的子程序中。與之相對的是，Pyro將機率分佈做爲編程的核心。Pyro程序的基本單位是隨機函數，它幫助咱們明確地計算給定輸入的輸出機率。