prism 1.3.2

为什么使用PRISM？

• 纯Python 3编写，具有多功能性；

• 将结果存储在HDF5文件中，允许用户轻松访问；

• 可以在串行或MPI中执行，在任意数量的进程中执行；

• 与Windows、Mac OS和基于Unix的机器兼容；

• 接受任何类型的模型和比较数据；

• 作为即插即用工具构建：所有主要类也可以用作基类；

• 通过编写单个自定义ModelLink子类即可轻松链接到任何模型；

• 仅使用数千次模型评估即可将相关参数空间减少100,000倍以上；

• 可以单独用于分析模型，或与MCMC结合进行高效的模型参数估计。

何时（或不）使用PRISM？

看起来使用PRISM进行几乎所有的事情都很吸引人，但请记住，仿真有其局限性。以下是一般但非详尽的场景列表，其中PRISM可以变得非常有价值

• 在几乎所有希望使用MCMC贝叶斯分析进行参数估计的情况中（通过使用混合采样）。这对于约束较差的模型（观测约束数量较少）尤其正确；

• 当希望可视化不同模型参数之间的相关行为时；

• 在不需要进行全面参数估计的情况下快速探索模型的参数空间。当尝试不同的观测数据集以研究它们的约束力时，这可能非常有用；

• 在非常接近最优化参数集的地方获得模型的合理准确近似。

然而，也有情况更适合使用不同的技术，以下是非详尽的通用列表

• 为了获得整个参数空间中模型的合理准确近似。由于仿真的构建方式，这可能需要数百万次模型评估、大量的时间和内存；

• 当处理具有大量参数/自由度的模型（>50）时。然而，这仍然严重依赖于所使用的模型类型；

• 当有大量观测约束可用，且希望使用所有这些约束（除非你还能访问大型超级计算机）时。在这种情况下，使用完整的贝叶斯方法会更好；

• 希望获得模型的后验概率分布函数（PDF）；

判断是否应该使用PRISM的一个非常通用且简单的方法是问自己：“在给定的时间和资源下，我会为这个问题使用完整的贝叶斯分析吗？”。如果答案是“是”，那么PRISM可能是一个不错的选择，特别是因为它需要的资源与贝叶斯分析相近（参数空间的定义；提供比较数据；以及评估模型的方式）。

安装

PRISM可以通过克隆存储库并手动安装来轻松安装

$ git clone https://github.com/1313e/PRISM
$ cd PRISM
$ pip install .

或者通过使用PyPI直接安装：

$ pip install prism

PRISM现在可以作为包导入，使用import prism。要在MPI中使用PRISM，需要mpi4py >= 3.0.0（不会自动安装）。

PRISM包包含两个ModelLink子类。这些ModelLink子类可用于实验PRISM以了解其工作原理。在线文档和教程中有多个示例，解释了该包的不同功能。

运行测试

如果想要在PRISM上运行pytests，则需要所有开发需求。运行测试的最简单方法是克隆存储库，安装所有需求，然后在上面运行pytest

$ git clone https://github.com/1313e/PRISM
$ cd PRISM
$ pip install -r requirements_dev.txt
$ pytest

如果PRISM和所有开发需求已经安装，可以在安装目录中运行pytest来运行测试

$ cd <path_to_installation_directory>/prism
$ pytest

当使用Anaconda时，安装目录路径可能是<HOME>/anaconda3/envs/<环境名称>/lib/pythonX.X/site-packages的形式。

示例用法

有关此示例的文档说明，请参阅在线文档或教程。

# Imports
from prism import Pipeline
from prism.modellink import GaussianLink

# Define model data and create ModelLink object
model_data = {3: [3.0, 0.1], 5: [5.0, 0.1], 7: [3.0, 0.1]}
modellink_obj = GaussianLink(model_data=model_data)

# Create Pipeline object
pipe = Pipeline(modellink_obj)

# Construct first iteration of the emulator
pipe.construct()

# Create projections
pipe.project()