密度估计是统计学中最基本的问题之一。由于“维数灾难”，估计高维数据的密度是出了名的困难。在这里，我们介绍一种基于深度生成神经网络的新型通用密度估计器。通过对通常分布在降维流形周围的数据进行建模，我们展示了如何利用双向生成神经网络（例如，cycleGAN）的功能来显式评估数据密度。模拟和真实数据实验表明我们的方法在广泛的问题上是有效的。这种方法在许多需要精确密度估计器的应用中应该很有帮助。

密度估计是统计学和机器学习中的基本问题之一。在这项研究中，我们提出了 Roundtrip，一种基于深度生成神经网络的通用密度估计计算框架。Roundtrip 保留了生成对抗网络 (GAN) 等深度生成模型的生成能力，同时还提供密度值的估计，从而支持数据生成和密度估计。与之前的神经密度估计器对从潜在空间到数据空间的转换施加严格的条件不同，Roundtrip 可以使用更通用的映射，其中目标密度是通过学习从基本密度（例如高斯分布）导出的流形来建模的。Roundtrip 为 GAN 模型提供了一个统计框架，其中密度值的显式评估是可行的。在数值实验中，Roundtrip 在各种密度估计任务中都超越了最先进的性能。

配置参数对于创建 CausalEGM 模型是必需的。以下是配置参数的一些技巧。

1. z_dims对性能有显着影响，请参阅src/configs获取指导。

2. 如果save_res为True，训练期间的结果将保存在output_dir中

3. 建议use_v_gan在二元治疗设置下为True ，在连续治疗设置下为False。

import CausalEGM as cegm
print("Currently use version v%s of CausalEGM."%cegm.__version__)
import yaml
params = yaml.safe_load(open('../../src/configs/Semi_acic.yaml', 'r'))
print(params)
#{'dataset': 'Semi_acic', 'output_dir': '.', 'v_dim': 100, 'z_dims': [3, 3, 6, 6], 'lr': 0.0002, 'alpha': 1, 'beta': 1, 'gamma': 10, 'g_d_freq': 5, 'g_units': [64, 64, 64, 64, 64], 'e_units': [64, 64, 64, 64, 64], 'f_units': [64, 32, 8], 'h_units': [64, 32, 8], 'dz_units': [64, 32, 8], 'dv_units': [64, 32, 8], 'save_res': True, 'save_model': False, 'binary_treatment': False, 'use_z_rec': True, 'use_v_gan': True, 'x_min': 0, 'x_max': 3}
model = cegm.CausalEGM(params=params,random_seed=123)
#get the data from the ACIC 2018 competition dataset with a specified ufid.
#ds = Semi_acic_sampler(path='../data/ACIC_2018',ufid='d5bd8e4814904c58a79d7cdcd7c2a1bb')
# >>> ds = Base_sampler(x=x,y=y,v=v)
# >>> batch = ds.next_batch() # get a batch of data
# >>> data = ds.load_all() # get all data as a triplet
# x,y,v = cegm.Semi_acic_sampler(path='../../../../data/ACIC_2018',ufid='d5bd8e4814904c58a79d7cdcd7c2a1bb').load_all()
#x,y,v = cegm.Semi_acic_sampler(path='../../../../data/ACIC_2018',ufid='d5bd8e4814904c58a79d7cdcd7c2a1bb').load_all()
import numpy as np
x = np.random.normal(size=(2000,))
y = np.random.normal(size=(2000,))
v = np.random.normal(size=(2000,100))
print(x.shape,y.shape,v.shape)
model.train(data=[x,y,v],n_iter=100,save_format='npy',verbose=False)

import tensorflow as tf

# 创建占位符
placeholder = tf.placeholder(dtype=tf.float32, shape=[2000, 10], name='Placeholder')

# 创建一个 TensorFlow 会话
with tf.Session() as sess:
    # 使用 feed_dict 为占位符提供数据
    data = ...  # 替换成你的数据
    result = sess.run(placeholder, feed_dict={placeholder: data})