小编com*_*fox的帖子

我想用tensorflow来实现LDA作为实践，我认为tensorflow版本可能有以下优点：

• 快速地。如果我可以使用内置的ops来表达采样过程。
• 易于并行化。许多 ops 已经通过并行化优化实现，所以这个 lda 应该很容易在 gpus 或分布式集群上运行。
• 更短更干净的代码。像许多其他模型一样，尤其是神经网络，使用 tensorflow 构建此类模型涉及的代码更少。

而在我检查了 lda 的一些 python 实现之后（例如，https://github.com/ariddell/lda/），我不知道可以使用什么 tensorflow 操作，应该构建什么样的图以及应该使用什么优化器我选择。因为 gibbs 采样的过程看起来像是文档主题、主题词矩阵和主题计数表的元素更新。那么tensorflow可以做些什么来简化和优化这个过程呢？

我是否可以将生成的 doc 与实际输入 doc 的可能性视为优化目标，并利用梯度提升优化器来最小化可能性的负数，从而获得 alpha、beta 和 doc-topics 分布？因为如果这是可以处理的，那么这里绝对可以使用 tensorflow。