Theano 基础
如何安装Theano
通过anaconda安装
conda install theano
安装过程要注意什么？
建议使用python环境是3.6以下的，安装功能后就能使用
如果通过 conda create 安装的道友，请参考我写的这个页面https://www.cnblogs.com/hardykay/p/12611460.html
符号变量是什么
1、内置变量类型
目前Theano支持7种内置变量：scalar(标量)、vector(向量)、row(行向量)、col(列向量)、matrix(矩阵)、tensor3、tensor4等。当然这些变量统一叫张量，0阶的张量叫做标量，1阶叫向量，2阶叫矩阵等等。
我们来看一个简单的方程式：y = 2x +b
上述方程中y、2、x、b就是符号变量，可以表示为一个通用表达式：y = w*x + b；其中w是权重，d是偏移量，x是自变量，y因变量。下面是一段案例代码。
import theano from theano import tensor as T # 初始化张量 x = T.scalar(name='input', dtype='float32') w = T.scalar(name='weight', dtype='float32') b = T.scalar(name='bias', dtype='float32') z = w*x + b # 编译程序 net_input = theano.function(inputs=[w, x, b], outputs=z) # 执行程序 print('net_input:%2f' % net_input(2.0, 3.0, 0.5))
2、自定义变量类型
theano自定义变量类型通过TensorType来实现
import theano from theano import tensor as T mytype = T.TensorType('float64', broadcastable=(), name=None, sparse_grad=False)
如何设计符号计算图
符号计算即为数据处理的数学模型，也叫方程式。
import theano import numpy as np import theano.tensor as T x = T.dmatrices('x') y = T.dmatrices('y') z = x + y
函数的功能
函数的定义的格式
def function(inputs, outputs=None, mode=None, updates=None, givens=None,no_default_updates=False, accept_inplace=False, name=None,rebuild_strict=True, allow_input_downcast=None, profile=None,on_unused_input=None)
常用参数：inputs（自变量）、outputs（因变量）、updates（神经网络共享变量参数更新）、givens
多自变量、多因变量
import theano import numpy as np import theano.tensor as T x, y = theano.tensor.fscalars('x', 'y') z1 = x + y z2 = x * y # 定义x、y为自变量， z1、z2为因变量 f = theano.function([x, y], [z1, z2]) print(f(2, 3))
自动求导
import theano import numpy as np import theano.tensor as T # 定义一个float类型的变量x x = theano.tensor.fscalar('x') # 定义变量y y = 1 / (1 + theano.tensor.exp(-x)) # 偏导函数 dx = theano.grad(y, x) # 定义函数f，输入x，输出 f = theano.function([x], dx) print(f(3))
更新共享变量（使用updates这个参数）
import theano # 定义一个共享变量w，初始值为1 w = theano.shared(1) x = theano.tensor.iscalar('x') # 定义函数自变量为x，因变量为w，当函数执行完后，更新参数w=w+x f = theano.function([x], w, updates=[[w, w + x]]) print(f(3)) print(w.get_value())
逻辑回归->updates的用法
import theano import numpy as np import theano.tensor as t rng = np.random # 为了测试，自己生成10个样本，每个样本是3维向量，然后用于训练 N = 10 feats = 3 D = (rng.randn(N, feats).astype(np.float32), rng.randint(size=N, low=0, high=2).astype(np.float32)) # 声明自变量x，以及每个样本对应的标签y（训练标签） x = t.matrix('x') y = t.vector('y') # 随机初始化参数w、b=0， 为共享变量 w = theano.shared(rng.randn(feats), name='w') b = theano.shared(0., name='b') # 构造代价函数 p_1 = 1 / (1 + t.exp(-t.dot(x, w) - b)) # s激活函数 xent = -y * t.log(p_1) - (1 - y) * t.log(1 - p_1) # 交叉熵代价函数 cost = xent.mean() + 0.01 * (w ** 2).sum() # 代价函数的平均值+L2正则项以防过拟合，其中权重衰减系数为0.01 gw, gb = t.grad(cost, [w, b]) # 对代价函数求参数的偏导数 prediction = p_1 > 0.5 # 大于0.5预测为1，否则为0 train = theano.function(inputs=[x, y], outputs=[prediction, xent], updates=((w, w - 0.1 * gw), (b, b - 0.1 * gb))) predict = theano.function(inputs=[x], outputs=prediction) # 训练 training_steps = 1000 for i in range(training_steps): pred, err = train(D[0], D[1]) print(err.mean())
条件与循环
在Theano中可以使用ifelse和switch来表示判定语句
switch
格式：switch(cond, ift, iff)
如果满足条件则switch既执行ift也执行iff
ifelse
格式：if cond then ift else iff
只执行ift或者iff
from theano import tensor as T from theano.ifelse import ifelse import theano,time,numpy a,b=T.scalars('a','b') x,y=T.matrices('x','y') z_switch=T.switch(T.lt(a,b),T.mean(x),T.mean(y))#lt:a < b? z_lazy=ifelse(T.lt(a,b),T.mean(x),T.mean(y)) #optimizer:optimizer的类型结构（可以简化计算，增加计算的稳定性） #linker:决定使用哪种方式进行编译(C/Python) f_switch = theano.function([a, b, x, y], z_switch,mode=theano.Mode(linker='vm')) f_lazyifelse = theano.function([a, b, x, y], z_lazy,mode=theano.Mode(linker='vm')) val1 = 0. val2 = 1. big_mat1 = numpy.ones((1000, 100)) big_mat2 = numpy.ones((1000, 100)) n_times = 10 tic = time.clock() for i in range(n_times): f_switch(val1, val2, big_mat1, big_mat2) print('time spent evaluating both values %f sec' % (time.clock() - tic)) tic = time.clock() for i in range(n_times): f_lazyifelse(val1, val2, big_mat1, big_mat2) print('time spent evaluating one value %f sec' % (time.clock() - tic))
scan是theano中构建循环Graph的方法，scan是个灵活复杂的函数，任何用循环、递归或者跟序列有关的计算，都可以用scan完成。其格式如下：
theano.scan(fn, sequences=None, outputs_info=None, non_sequences=None, n_steps=None, truncate_gradient=-1, go_backwards=False, mode=None, name=None, profile=False, allow_gc=None, strict=False)
参数说明：
fn：函数类型，scan的一步执行。除了outputs_info，fn可以返回sequences变量的更新updates。fn的输入变量顺序为sequences中的变量，outputs_info的变量，non_sequences中的变量。如果使用了taps，则按照taps给fn喂变量。taps的详细介绍会在后面的例子中给出。
sequences：scan进行迭代的变量，scan会在T.arange()生成的list上遍历，例如下面的polynomial 例子。
outputs_info：初始化fn的输出变量，和输出的shape一致。如果初始化值设为None表示这个变量不需要初始值。
non_sequences：fn函数用到的其他变量，迭代过程中不可改变（unchange）。
n_steps：fn的迭代次数。
下面通过一个例子解释scan函数的具体使用方法。
代码实现思路是:先定义函数one_step，它就是scan里的fn，其任务就是计算多项式的一项，scan函数返回的result里会保存多项式每一项的值，然后我们对result求和，就得到了多项式的值。
import theano import theano.tensor as T import numpy as np # 定义单步的函数,实现a*x^n # 输入参数的顺序要与下面scan的输入参数对应 def one_step(coef, power, x): return coef * x ** power coefs = T.ivector() # 每步变化的值,系数组成的向量 powers = T.ivector() # 每步变化的值,指数组成的向量 x = T.iscalar() # 每步不变的值,自变量 # seq,out_info,non_seq与one_step函数的参数顺序一一对应 # 返回的result是每一项的符号表达式组成的list result, updates = theano.scan(fn = one_step, sequences = [coefs, powers], outputs_info = None, non_sequences = x) # 每一项的值与输入的函数关系 f_poly = theano.function([x, coefs, powers], result, allow_input_downcast=True) coef_val = np.array([2,3,4,6,5]) power_val = np.array([0,1,2,3,4]) x_val = 10 print("多项式各项的值: ",f_poly(x_val, coef_val, power_val)) #scan返回的result是每一项的值，并没有求和，如果我们只想要多项式的值，可以把f_poly写成这样： # 多项式每一项的和与输入的函数关系 f_poly = theano.function([x, coefs, powers], result.sum(), allow_input_downcast=True) print("多项式和的值：",f_poly(x_val, coef_val, power_val))
共享变量的妙用
共享变量（shared variable）是实现机器学习算法参数更新的重要机制。shared函数会返回共享变量。这种变量的值在多个函数可直接共享。可以用符号变量的地方都可以用共享变量。但不同的是，共享变量有一个内部状态的值，这个值可以被多个函数共享。它可以存储在显存中，利用GPU提高性能。我们可以使用get_value和set_value方法来读取或者修改共享变量的值，使用共享变量实现累加操作。
import theano import theano.tensor as T from theano import shared import numpy as np #定义一个共享变量，并初始化为0 state = shared(0) inc = T.iscalar('inc') accumulator = theano.function([inc], state, updates=[(state, state+inc)]) # 打印state的初始值 print(state.get_value()) accumulator(1) # 进行一次函数调用 # 函数返回后，state的值发生了变化 print(state.get_value())
这里state是一个共享 变量，初始化为0，每次调用accumulator()，state都会加上inc。共享变量可以像普通张量一样用于符号表达式，另外，他还有自己的值，可以直接用.get_value()和.set_value()方法来访问和修改。
上述代码引入了函数中updates参数。updates参数是一个list，其中每个元素是一个元组(tuple)，这个tuple的第一个元素是一个共享变量，第二个元素是一个新的表达式。updatas中的共享变量会在函数返回后更新自己的值。updates的作用在于执行效率，updates多数时候可以用原地（in-place）算法快速实现，在GPU上，Theano可以更好地控制何时何地给共享变量分配空间，带来性能提升。最常见的神经网络权值更新，一般会用update实现。
