Function 用法
学习资料:
theano 当中的 function 就和 python 中的 function 类似, 不过因为要被用在多进程并行运算中,所以他的 function 有他自己的一套使用方式.
这是涉及的是Theano 的function 用法。在theano中由于涉及到GPU加速以及CPU 的并行的运算，所以他的function会有不同。
这次介绍了function的三种用法，并且各举一个例.
首先 ， 导入所需要的python包：
import numpy as np
import theano.tensor as T
import theano
激励函数例子 ¶
使用activation function(激励函数)的例子。
activation function 的例子是使用 function 最简单的形式。
首先需要定义一个 tensor T:
x = T.dmatrix('x')
然后声明了概率计算方式，这里需要注意这里的计算方式要用到Theano里面的计算方式。而不能使用numpy包里面的exp()。
s = 1/(1+T.exp(-x)) # logistic or soft step
最后。调用 theano 定义的计算函数 logistic
logistic = theano.function([x], s)
print(logistic([[0,1],[-2,-3]]))
"""
[[ 0.5 0.73105858]
[ 0.26894142 0.11920292]]
"""
多输入/输出的 function ¶
假定我们的 theano 函数中的输入值是两个，输出也是两个。
指定输入的值是矩阵a,b
a,b = T.dmatrices('a','b')
计算输入a，b 之间的差（diff）, 差的绝对值（abs_diff），差的平方（diff_squared）
diff=a-b
abs_diff=abs(diff)
diff_squared = diff**2
在这次使用theano.function的时候可以指定两个输，并且输出这两个数值的差（diff），差的绝对值（abs_diff），
差的平方（diff_squared）。当我们在调用这个函数的时候会将这三个结果作为输出值。
f = theano.function([a,b], [diff,abs_diff,diff_squared])
最后调用函数f, 并且向函数传递初始化之后的参数。
x1,x2,x3= f(
np.ones((2,2)), # a
np.arange(4).reshape((2,2)) # b
)
print(x1, x2, x3)
"""
array([[ 1., 0.],
[-1., -2.]]),
array([[ 1., 0.],
[ 1., 2.]]),
array([[ 1., 0.],
[ 1., 4.]])
"""
function 的名字 ¶
首先，我们可以使用 T.dscalars() 里面同时定义三个纯量的容器。 以及输出值z
x,y,w = T.dscalars('x','y','w')
z = (x+y)*w
接下来应该是定义 theano 的函数了， 在定义函数的并且指定输入值的时候，我们期望能够有默认值， 于是我们使用 theano 的默认值书写方式来指定
# name for a function
f = theano.function([x,
theano.In(y, value=1),
theano.In(w,value=2)],
z)
print(f(23)) # 使用默认
print(f(23,1,4)) # 不使用默认
"""
48.0
100.0
"""
同时，我们还可以在定义默认值的时候，可以指定参数名字。 这样做的目的是防止我们定义的参数过于多的情况下，忘记函数的顺序。
f = theano.function([x,
theano.In(y, value=1),
theano.In(w,value=2,name='weights')],
z)
print (f(23,1,weights=4)) ##调用方式
"""
100.0
"""
总结 ¶
这节中，我们介绍了function的三种方式： 首先，一个theanod的function的简单用法; 其次在使用theano的function中可以有多个input和output; 最后是theano的function中可以有默认值并且可以给参数指定名称。
在 fucntion 的参数会在CPU/GPU中共享，下一期会提到 shared value 。敬请期待。
分享到:
如果你觉得这篇文章或视频对你的学习很有帮助, 请你也分享它, 让它能再次帮助到更多的需要学习的人.
莫烦没有正式的经济来源, 如果你也想支持 莫烦Python 并看到更好的教学内容, 赞助他一点点, 作为鼓励他继续开源的动力.
