PyMC3.11.4加载已保存trace用于后续推理时遇TypeError求助

一、解决加载Trace的TypeError: No model on context stack错误 #

PyMC3的pm.load_trace()需要生成该Trace的模型处于上下文栈中才能正常加载，因为Trace与模型结构强绑定。以下两种方法可以修复：

方法1：重新定义原模型后加载 #

先重建原始线性模型，再在模型上下文内加载Trace：

import pymc3 as pm
import numpy as np

# 重建原模型结构（观测值可以复用原数据结构，加载Trace不需要真实观测数据）
x_data = np.linspace(1, 100, 100)
with pm.Model() as linear_model:
    m = pm.Normal('m', mu=0, sigma=10)  
    y_pred = m * x_data
    pm.Normal('y_obs', mu=y_pred, sigma=1.0, observed=x_data)
    
    # 在模型上下文内加载Trace
    trace = pm.load_trace('my_trace_file')
    print("Posterior mean of m:", trace['m'].mean())

方法2：改用ArviZ存储/加载（更通用） #

ArviZ的InferenceData格式不依赖模型上下文，适合长期存储和复用。修改保存和加载逻辑：

保存Trace为InferenceData：

import arviz as az
# 在原采样代码末尾添加
with pm.Model() as linear_model:
    # ... 原模型定义、采样代码 ...
    trace = pm.sample(2000, tune=1000)
    az.to_netcdf(trace, 'my_trace_inference_data.nc')  # 保存为nc格式

直接加载InferenceData：

import arviz as az
idata = az.from_netcdf('my_trace_inference_data.nc')
print("Posterior mean of m:", idata.posterior['m'].mean().values)

二、复用m的后验推断新模型y=mx+c的参数c #

要复用之前得到的m的后验，可将其作为新模型中m的先验，以下是两种可行方式：

方法1：使用Trace样本作为经验先验 #

直接提取原Trace中m的样本，作为新模型中m的先验分布：

import pymc3 as pm
import numpy as np

# 先加载原Trace（用方法1的方式）
x_data = np.linspace(1, 100, 100)
with pm.Model() as linear_model:
    m = pm.Normal('m', mu=0, sigma=10)  
    y_pred = m * x_data
    pm.Normal('y_obs', mu=y_pred, sigma=1.0, observed=x_data)
    trace = pm.load_trace('my_trace_file')

# 准备新数据集（示例：真实模型为y=2x+5加噪声）
new_x = np.linspace(1, 100, 100)
new_y = 2 * new_x + 5 + np.random.uniform(0, 0.9, 100)

with pm.Model() as new_model:
    # 用原Trace的m样本作为经验先验
    m_prior = pm.Prior('m', trace['m'])
    # 定义新参数c的先验
    c = pm.Normal('c', mu=0, sigma=10)
    
    y_pred = m_prior * new_x + c
    pm.Normal('y_obs', mu=y_pred, sigma=1.0, observed=new_y)
    
    # 采样新模型
    new_trace = pm.sample(2000, tune=1000)
    print("Posterior mean of c:", new_trace['c'].mean())

方法2：用后验统计量拟合先验分布 #

若不想直接使用样本，可先拟合原m后验的正态分布参数，用该分布作为新模型中m的先验：

import pymc3 as pm
import numpy as np
import arviz as az

# 加载InferenceData格式的Trace
idata = az.from_netcdf('my_trace_inference_data.nc')
# 计算原m后验的均值和标准差
m_mean = idata.posterior['m'].mean().values
m_std = idata.posterior['m'].std().values

# 新数据集
new_x = np.linspace(1, 100, 100)
new_y = 2 * new_x + 5 + np.random.uniform(0, 0.9, 100)

with pm.Model() as new_model:
    # 用原m后验的统计量作为先验
    m = pm.Normal('m', mu=m_mean, sigma=m_std)
    c = pm.Normal('c', mu=0, sigma=10)
    
    y_pred = m * new_x + c
    pm.Normal('y_obs', mu=y_pred, sigma=1.0, observed=new_y)
    
    new_trace = pm.sample(2000, tune=1000)
    # 可视化c的后验
    az.plot_posterior(new_trace, var_names=['c'])

内容的提问来源于stack exchange，提问作者ArKa