使用PyMC3调用sample_smc时触发Theano UnusedInputError报错

导入阶段Theano警告处理 #

执行import pymc3 as pm时出现的两条警告对应处理方式如下：

WARNING (theano.configdefaults): g++ not detected ! Theano will be unable to execute optimized C-implementations (for both CPU and GPU) and will default to Python implementations. Performance will be severely degraded. To remove this warning, set Theano flags cxx to an empty string.

• 成因：当前Python环境缺少g++ C++编译器，Theano无法编译C优化版本的计算逻辑，只能回退到纯Python实现，运行速度会明显下降。
• 解决：
  • 仅做小样本代码测试、对性能无要求时，直接在导入PyMC3前添加环境变量配置即可屏蔽警告：

    import os
    os.environ["THEANO_FLAGS"] = "cxx="
    import pymc3 as pm
    

  • 需要提升运行速度时，对应操作系统通过conda安装编译器即可：

    # Windows 环境
    conda install m2w64-gcc
    # Linux 环境
    conda install gcc_linux-64 gxx_linux-64
    # macOS 环境
    conda install clang_osx-64
    

WARNING (theano.tensor.blas): Using NumPy C-API based implementation for BLAS functions.

• 该条为常规提示，不影响代码功能正常运行，无需额外处理。如果需要优化线性代数运算性能，安装MKL库后配置Theano调用MKL提供的BLAS接口即可消除提示。

SMC采样触发UnusedInputError报错修复 #

该报错不是安装配置问题，核心原因是模型代码逻辑错误，导致计算图断裂：

1. 似然节点参数传递错误：你在模型上下文内定义了带待估参数A、B的期望输出y_m，但给pm.Normal似然的mu参数传入的是外层定义的固定值0，完全没有关联到A、B两个先验参数，两个先验变量不在最终输出的计算图中，Theano编译时检测到未被使用的输入变量就会抛出该错误。
2. 噪声参数设置错误：你给似然的sigma参数传入了np.sqrt(data)，也就是观测值本身的平方根，不符合高斯似然噪声项的定义；同时代码里重复定义了两次sigma=1，逻辑混乱。
3. 冗余代码：模型内定义的y_m变量没有被任何后续节点引用，属于无效代码。

修正后可运行代码 #

import numpy as np
import os
# 不需要高性能时可打开下面这行屏蔽g++警告
# os.environ["THEANO_FLAGS"] = "cxx="
import pymc3 as pm

# 生成模拟观测数据
x = np.linspace(-5, 5, 50)
sigma_true = 1
mu_true = 0
A_true = 20
B_true = 100
y_true = A_true * np.exp(-(x - mu_true)**2 / (2 * sigma_true**2)) + B_true
y_noise = np.random.normal(0, 1, size=50)
data = y_true + y_noise

basic_model = pm.Model()
with basic_model:
    # 定义待估参数的先验分布
    A = pm.Uniform("A", lower=0, upper=50)
    B = pm.Uniform("B", lower=0, upper=200)
    # 噪声sigma如果要固定值直接写sigma=1即可，这里设为待估参数
    sigma = pm.HalfNormal("sigma", sigma=1)

    # 定义模型的期望输出，必须将先验参数接入计算图
    mu = A * pm.math.exp(-(x)**2 / 2) + B

    # 定义似然，mu传入上面的期望计算结果，sigma传入噪声参数
    Y_obs = pm.Normal("Y_obs", mu=mu, sigma=sigma, observed=data)

    # 采样：优先用parallel=False测试，确认代码跑通后再尝试开启并行
    trace = pm.sample_smc(draws=1000, parallel=False, random_seed=42)

# 输出采样统计结果验证
print(pm.summary(trace))

补充说明 #

你之前尝试的第二种conda-forge新建虚拟环境的安装方式是正确的，不需要反复重装包。Windows环境下Theano的多进程并行容易出现序列化报错，小样本测试时单进程运行足够使用。 #

内容的提问来源于stack exchange，提问作者Os GS