如何使用PyMC3估计离散值A，必须在该离散值A上构建for循环？

这是旧问题的正确表达版本。

我正在压缩一些为神经科学论文编写的代码：https://doi.org/10.1371/journal.pcbi.1007481。在不研究不必要的细节的情况下，这里有一些定义：

定义

A是神经元集合的数量，由mu表示的任意集合。它的分布是未知的，并且随着系统将神经元组织成正确数量的程序集，其在任何时间点的值都应改变。

p_mu是神经元装配mu激活的概率。它的先验分布是Beta分布，其参数alpha_p和beta_p是未知分布的，并且特定于mu。

w是一个二进制矩阵，其中包含所有时间A的所有程序集M。 0对应于“关闭”，1对应于“开启”。它的先验是具有特定于装配的概率p_mu的伯努利分布。

n是每个程序集的相对大小。它的先验分布是具有未知分布的A个参数{gamma_1,...,gamma_n}的Dirichlet分布。 我不确定这是否有必要。

lambda(0/1)_mu是特定神经元在特定时间开启的可能性，因为此时该程序集处于（开启/关闭）状态。它的先验是Beta分布，其参数delta(0/1)_mu和kappa(0/1)_mu未知且特定于每个程序集

s是一个二进制矩阵，其中包含所有时间N的所有神经元M。 0对应于“关闭”，1对应于“开启”。 这是我们的输入数据，并且每个时间点的分布都是lambda(0/1)_mu。

将贝叶斯推断与PyMC3结合使用以发现程序集A的数量。

我决定在A和0之间给total_number_of_cells一个离散统一的先验，因为它的值必须在那个集合中，而且我不知道这让我更喜欢偏见在任何方向。

对于特定的alpha，我决定假设beta，gamma，delta(0/1)，kappa(0/1)和mu来自一半正态分布，因为它们必须为正。

假设程序集的数量A是已知的，而不是从发行版中获取的，只是为了确保我可以再次找到它。

遍历每个程序集，以填充alpha，beta，gamma，delta(0/1)和kappa(0/1)的分布集合每个组装。

遍历每个时间范围，并基于lambda(0/1)_mu创建自定义分布，从中在每个时间点对观测数据s进行采样。

如果装配件的数量未知，如何将不确定性集成到图表中？目前，我正计划遍历已知数量的程序集，但我没有看到一种使PyMC3动态化该过程的直接方法。本文为此使用了Dirichlet流程-PyMC3如何处理这种动态情况？
是否有一种不必遍历每个神经元和时间步长的方法？这似乎很慢。