Theano笔记

Author: Leoeon
Date: 2016.03.31
Url: http://blog.csdn.net/Leoeon/article/details/52913387

import theano.tensor as T

1 变量

变量壹 = T.?XXXX("变量名壹")
#定义变量
XXXX::
scalar:(), vector:(False,), row:(True,False), col:(False,True), matrix:(False,False), tensor3:(False,False,False), tensor4:(False,False,False,False)
?::
无, b:int8, w:int16, i:int32, l:int64, f:float32, d:float64, c:complex64, z:complex128
三维张量=T.TensorType(broadcastable=(False,False,False),dtype="float32")
变量叁 = 三维张量("变量名叁")
变量贰壹,变量贰贰 = T.?XXXX(2)
或
变量贰壹,变量贰贰 = T.?XXXX("变量名贰壹","变量名贰贰")
#一次性定义多个相同类型变量
XXXX::
scalars, vectors, rows, cols, matrices
T.as_tensor_variable( 原python变量, name=None, ndim=None )
#将原python变量转为theano_tensor变量

常量壹 = T.arange(9).reshape((3,3))
常量壹.eval()
#输出值
常量壹[常量壹>3].eval()

共享变量壹 = theano.shared(初始值)
theano.function参数中加入 updates=[(共享变量壹,新表达式壹),(共享变量贰,新表达式贰)]
#每次调用运算时都对共享变量进行更新
共享变量壹.get_value()
共享变量壹.set_value(值)

2 函数

函数壹 = 变量壹 + T.exp(变量贰) + 变量叁.内置函数(形参)
对逐个元素进行运算：
+ - * / ** // %
# 低维与高维张量运算时，在低维张量在最高维增补'x'。'x'维复制切片成高维张量
T.exp/log/log2/log10(变量)
T.sqrt/sqr(变量)
T.abs_(变量)
T.erf/erfc(变量)
T.gamma/gammaln(变量)
T.zeros_like(变量)
T.ones_like(变量) T.identity_like(变量) T.fill(变量,值)
#所有元素皆为某值的相同大小张量
张量运算：
T.dot(变量壹,变量贰)
#向量、矩阵乘法

T.outer(变量壹,变量贰)
T.stack([变量壹,变量贰])
#将多个相同维数相同大小变量作为切片叠成更高维变量
内置函数：
最大值max(min)、最大值位置argmax(argmin)、最大小值差p2p、求和sum、求积prod、均值mean、方差var、标准差std (axis=(0,2))
#对第0维、第2维的所有元素进行内置函数操作。不填 axis= 则为对张量所有元素
fill(值)
#张量所有元素皆为该值
dimshuffle((2,0,'x',1))
#转置为按第2、0、1维排列的张量，'x'表示增加一个(如同True的)零维
求导：
T.grad( 标量函数壹, [自变量壹,自变量贰] )
#返回函数壹对各自变量的偏导函数
theano.gradient.hessian( 标量函数壹, 向量自变量壹 )
theano.gradient.jacobian( 向量函数壹, 向量自变量壹 )
分支：
T.switch( 判断条件, 正确返回值, 错误返回值 )
IFELSE.ifelse( 判断条件, 正确返回值, 错误返回值 )
#import theano.ifelse as IFELSE

运算甲 = theano.function( inputs=[ 变量壹, theano.In(变量贰,value=2,name='y_by_name') ], outputs=[函数壹,函数贰] )
#指明输入变量、输出函数
运算结果甲 = 运算甲( 3, y_by_name=4 )
#计算值
运算结果乙 = 运算乙( [[1,2],[3,4]], [[5,6],[7,8]] )

函数值壹 = 函数壹.eval({变量壹:3, 变量贰:4})
#等价

theano.function参数中加入 givens=[(原变量壹,新表达式壹),(原变量贰,新表达式贰)] 或
givens={原变量壹:新表达式壹,原变量贰:新表达式贰}
#在本运算中，用新表达式替代原变量。运算外不改变原变量

theano.function参数中加入 mode = 'FAST_COMPILE' / 'FAST_RUN' / 'DebugMode' / 

3 循环

结果序列, 更新共享变量 = theano.scan(
fn = 函数
#def 函数 (sequances参数，output_info参数，no_sequences参数):
return output_info输出列表, 更新共享变量, theano.scan_module.until(停止条件)
sequences = [迭代参数壹序列, 迭代参数贰序列],
#序列第一维为迭代次数
outputs_info = [初始回溯壹序列, 初始回溯贰序列],
non_sequences = [每次迭代固定输入壹, 每次迭代固定输入贰],
n_steps = 迭代次数,
#与sequences择一使用
strict=True)
#限定no_sequences参数都在函数参数中，加速
#参数壹序列可写为：dict(initial=参数, taps=下标列表。如dict(initial=X, taps=[-2,1] 意为 X[t-2]、X[t+1]
运算 = theano.function( inputs=[], outputs=结果, updates=更新共享变量 )
#指明输入变量、输出函数
# 输入逻辑结构为 [第0次sequence, 第1次sequence, 第2次sequence, ...]
# 输出逻辑结构为 [第-2次初始回溯, 第-1次初始回溯, 第0次outputs_info, 第1次outputs_info, 第2次outputs_info, ...] 
结果序列为 [第0次outputs_info, 第1次outputs_info, 第2次outputs_info, ...]
循环每次函数时，以本次为t，读入t-n次历史数据
实际调用时，传入第-n次初始回溯为实参

4 随机数

from theano.tensor.shared_randomstreams import RandomStreams
#CPU
from T.sandbox.rng_mrg import MRG_RandomStreams as RandomStreams
#GPU
随机流 = RandomStreams( seed=种子 )
随机函数壹 = 随机流.随机函数( (第一维长度,第二维长度) )
#随机函数：
均匀分布uniform、标准正态分布normal
运算甲 = theano.function( [], 随机函数壹, no_default_updates=False )
#若no_default_updates=True则每次 运算甲() 不更新随机数

5 IO

print(theano.pp(函数壹))
#输出函数壹：(变量名壹 + exp(变量名贰))
theano.printing.debugprint(函数壹)

最后

以上就是不安西牛为你收集整理的Theano笔记Theano笔记的全部内容，希望文章能够帮你解决Theano笔记Theano笔记所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。