虽然这个模型可以在libpgm库中实现（不过，它似乎有为几个特殊模型量身定制的非常严格的接口），但它不允许您重现本文的结果。在论文中，作者实际上做了一些比贝叶斯推理更简单的事情——他们只执行最大后验 (MAP) 推理，这要容易得多，但确实告诉你模型有多自信。

您不必自己编写 MAP 推理的优化算法，现在有强大且通用的软件包可以为您完成几乎所有事情。您可以使用TensorFlow / PyTorch的自动微分功能——它们将为您计算梯度并运行优化算法。您还可以使用numpy.autograd免费获取渐变，然后运行您喜欢的任何优化器（查看scipy.optimize）。如果您想使用更高级的优化方法，例如二阶优化方法，则 autograd + scipy.optimize 对特别简洁。

所有这些方法都会给你的值（点估计）$w, \theta, z$你可以用来做推论。但是，如果您想要的不仅仅是点估计，并且想要找到所有可能的值（以及它们的概率），也许还有贝叶斯模型平均，您将需要更强大的库来支持概率编程。有Edward（基于 TensorFlow）、Pyro（基于 PyTorch）、Stan等。

如果您对这些选择感到不知所措，我建议您使用 PyTorch。