Skip to content

Latest commit

 

History

History
474 lines (292 loc) · 8.89 KB

116.md

File metadata and controls

474 lines (292 loc) · 8.89 KB

Theano 基础

In [1]:

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt

首先导入 theano 及其 tensor 子模块（tensor，张量）：

In [2]:

import theano

# 一般都把 `tensor` 子模块导入并命名为 T
import theano.tensor as T
Using gpu device 1: Tesla K10.G2.8GB (CNMeM is disabled)

tensor 模块包含很多我们常用的数学操作，所以为了方便，将其命名为 T。

符号计算

theano 中，所有的算法都是用符号计算的，所以某种程度上，用 theano 写算法更像是写数学（之前在[04.06 积分](../04. scipy/04.06 integration in python.ipynb)一节中接触过用 sympy 定义的符号变量）。

用 T.scalar 来定义一个符号标量：

In [3]:

foo = T.scalar('x')

In [4]:

print foo
x

支持符号计算：

In [5]:

bar = foo ** 2

print bar
Elemwise{pow,no_inplace}.0

这里定义 foo 是 $x$，bar 就是变量 $x^2$，但显示出来的却是看不懂的东西。

为了更好的显示 bar，我们使用 theano.pp() 函数（pretty print）来显示：

In [6]:

print theano.pp(bar)
(x ** TensorConstant{2})

查看类型：

In [7]:

print type(foo)
print foo.type
<class 'theano.tensor.var.TensorVariable'>
TensorType(float32, scalar)

theano 函数

有了符号变量，自然可以用符号变量来定义函数，theano.function() 函数用来生成符号函数：

theano.function(input, output)

其中 input 对应的是作为参数的符号变量组成的列表，output 对应的是输出，输出可以是一个，也可以是多个符号变量组成的列表。

例如，我们用刚才生成的 foo 和 bar 来定义函数：

In [8]:

square = theano.function([foo], bar)

使用 square 函数：

In [9]:

print square(3)
9.0

也可以使用 bar 的 eval 方法，将 x 替换为想要的值，eval 接受一个字典作为参数，键值对表示符号变量及其对应的值：

In [10]:

print bar.eval({foo: 3})
9.0

theano.tensor

除了 T.scalar() 标量之外，Theano 中还有很多符号变量类型，这些都包含在 tensor（张量）子模块中，而且 tensor 中也有很多函数对它们进行操作。

  • T.scalar(name=None, dtype=config.floatX)
    • 标量，shape - ()
  • T.vector(name=None, dtype=config.floatX)
    • 向量，shape - (?,)
  • T.matrix(name=None, dtype=config.floatX)
    • 矩阵，shape - (?,?)
  • T.row(name=None, dtype=config.floatX)
    • 行向量，shape - (1,?)
  • T.col(name=None, dtype=config.floatX)
    • 列向量，shape - (?,1)
  • T.tensor3(name=None, dtype=config.floatX)
    • 3 维张量，shape - (?,?,?)
  • T.tensor4(name=None, dtype=config.floatX)
    • 4 维张量，shape - (?,?,?,?)

shape 中为 1 的维度支持 broadcast 机制。

除了直接指定符号变量的类型（默认 floatX），还可以直接在每类前面加上一个字母来定义不同的类型：

  • b int8
  • w int16
  • i int32
  • l int64
  • d float64
  • f float32
  • c complex64
  • z complex128

例如 T.dvector() 表示的就是一个 float64 型的向量。

除此之外，还可以用它们的复数形式一次定义多个符号变量：

x,y,z = T.vectors('x','y','z')
x,y,z = T.vectors(3)

In [11]:

A = T.matrix('A')
x = T.vector('x')
b = T.vector('b')

T.dot() 表示矩阵乘法： $$y = Ax+b$$

In [12]:

y = T.dot(A, x) + b

T.sum() 表示进行求和： $$z = \sum_{i,j} A_{ij}^2$$

In [13]:

z = T.sum(A**2)

来定义一个线性函数，以 $A,x,b$ 为参数，以 $y,z$ 为输出：

In [14]:

linear_mix = theano.function([A, x, b],
                             [y, z])

使用这个函数：

$$ A = \begin{bmatrix} 1 & 2 & 3 \ 4 & 5 & 6 \end{bmatrix}, x = \begin{bmatrix} 1 \ 2 \ 3 \end{bmatrix}, b = \begin{bmatrix} 4 \ 5 \end{bmatrix} $$In [15]:

print linear_mix(np.array([[1, 2, 3],
                           [4, 5, 6]], dtype=theano.config.floatX),    #A
                 np.array([1, 2, 3], dtype=theano.config.floatX),      #x
                 np.array([4, 5], dtype=theano.config.floatX))         #b
[array([ 18.,  37.], dtype=float32), array(91.0, dtype=float32)]

这里 dtype=theano.config.floatX 是为了与 theano 设置的浮点数精度保持一致，默认是 float64，但是在 GPU 上一般使用 float32 会更高效一些。

我们还可以像定义普通函数一样，给 theano 函数提供默认值，需要使用 theano.Param 类：

In [16]:

linear_mix_default = theano.function([A, x, theano.Param(b, default=np.zeros(2, dtype=theano.config.floatX))],
                                     [y, z])

计算默认参数下的结果：

In [17]:

print linear_mix_default(np.array([[1, 2, 3],
                           [4, 5, 6]], dtype=theano.config.floatX),    #A
                 np.array([1, 2, 3], dtype=theano.config.floatX))      #x
[array([ 14.,  32.], dtype=float32), array(91.0, dtype=float32)]

计算刚才的结果：

In [18]:

print linear_mix_default(np.array([[1, 2, 3],
                                   [4, 5, 6]], dtype=theano.config.floatX),    #A
                         np.array([1, 2, 3], dtype=theano.config.floatX),      #x
                         np.array([4, 5], dtype=theano.config.floatX))         #b
[array([ 18.,  37.], dtype=float32), array(91.0, dtype=float32)]

共享的变量

Theano 中可以定义共享的变量，它们可以在多个函数中被共享，共享变量类似于普通函数定义时候使用的全局变量，同时加上了 global 的属性以便在函数中修改这个全局变量的值。

In [19]:

shared_var = theano.shared(np.array([[1.0, 2.0], [3.0, 4.0]], dtype=theano.config.floatX))

print shared_var.type
CudaNdarrayType(float32, matrix)

可以通过 set_value 方法改变它的值：

In [20]:

shared_var.set_value(np.array([[3.0, 4], [2, 1]], dtype=theano.config.floatX))

通过 get_value() 方法返回它的值：

In [21]:

print shared_var.get_value()
[[ 3\.  4.]
 [ 2\.  1.]]

共享变量进行运算：

In [22]:

shared_square = shared_var ** 2

f = theano.function([], shared_square)

print f()
[[  9\.  16.]
 [  4\.   1.]]

这里函数不需要参数，因为共享变量隐式地被认为是一个参数。

得到的结果会随这个共享变量的变化而变化：

In [23]:

shared_var.set_value(np.array([[1.0, 2], [3, 4]], dtype=theano.config.floatX))

print f()
[[  1\.   4.]
 [  9\.  16.]]

一个共享变量的值可以用 updates 关键词在 theano 函数中被更新：

In [24]:

subtract = T.matrix('subtract')

f_update = theano.function([subtract], shared_var, updates={shared_var: shared_var - subtract})

这个函数先返回当前的值，然后将当前值更新为原来的值减去参数：

In [25]:

print 'before update:'
print shared_var.get_value()

print 'the return value:'
print f_update(np.array([[1.0, 1], [1, 1]], dtype=theano.config.floatX))

print 'after update:'
print shared_var.get_value()
before update:
[[ 1\.  2.]
 [ 3\.  4.]]
the return value:
<CudaNdarray object at 0x7f7f3c16a6f0>
after update:
[[ 0\.  1.]
 [ 2\.  3.]]

导数

Theano 的一大好处在于它对符号变量计算导数的能力。

我们用 T.grad() 来计算导数，之前我们定义了 foo 和 bar （分别是 $x$ 和 $x^2$）,我们来计算 bar 关于 foo 的导数（应该是 $2x$）：

In [26]:

bar_grad = T.grad(bar, foo)  # 表示 bar (x^2) 关于 foo (x) 的导数

print bar_grad.eval({foo: 10})
20.0

再如，对之前的 $y = Ax + b$ 求 $y$ 关于 $x$ 的雅可比矩阵（应当是 $A$）：

In [27]:

y_J = theano.gradient.jacobian(y, x)

print y_J.eval({A: np.array([[9.0, 8, 7], [4, 5, 6]], dtype=theano.config.floatX), #A
                x: np.array([1.0, 2, 3], dtype=theano.config.floatX),              #x
                b: np.array([4.0, 5], dtype=theano.config.floatX)})                #b
[[ 9\.  8\.  7.]
 [ 4\.  5\.  6.]]

theano.gradient.jacobian 用来计算雅可比矩阵，而 theano.gradient.hessian 可以用来计算 Hessian 矩阵。

R-op 和 L-op

Rop 用来计算 $\frac{\partial f}{\partial x}v$，Lop 用来计算 $v\frac{\partial f}{\partial x}$：

一个是雅可比矩阵与列向量的乘积，另一个是行向量与雅可比矩阵的乘积。

In [28]:

W = T.dmatrix('W')
V = T.dmatrix('V')
x = T.dvector('x')
y = T.dot(x, W)
JV = T.Rop(y, W, V)
f = theano.function([W, V, x], JV)

print f([[1, 1], [1, 1]], [[2, 2], [2, 2]], [0,1])
[ 2\.  2.]