theano入门学习

theano入门学习

原文地址：http://blog.csdn.net/hjimce/article/details/46806923

作者:hjimce

本篇博文主要是在我刚入门学theano的一个学习历程的回顾，记录了自己深度学习学习征程的第一站。

一、初识theano

1、theano.tensor常用数据类型

学习theano，首先要学的就是theano.tensor使用，其是基础数据结构，功能类似于python.numpy，教程网站为：http://deeplearning.net/software/theano/library/tensor/basic.html

在theano.tensor数据类型中，有double、int、uchar、float等各种类型，不过我们最常用到的是int和float类型，float是因为GPU一般是float32类型，所以在编写程序的时候，我们很少用到double，常用的数据类型如下：

数值：iscalar(int类型的变量)、fscalar(float类型的变量)

一维向量：ivector(int 类型的向量)、fvector(float类型的向量)、

二维矩阵：fmatrix(float类型矩阵)、imatrix（int类型的矩阵）

三维float类型矩阵：ftensor3  

四维float类型矩阵：ftensor4

其它类型只要把首字母变一下就可以了，更多类型请参考：http://deeplearning.net/software/theano/library/tensor/basic.html#theano.tensor.TensorVariable 中的数据类型表格

2、theano编程风格

例1：记得刚接触theano的时候，觉得它的编程风格很神奇，与我们之前所接触到的编程方式大不相同。在c++或者java等语言中，比如我们要计算“2的3次方”的时候，我们一般是：

int x=2; int y=power(x,3); 也就是以前的编程方法中，我们一般先为自变量赋值，然后再把这个自变量作为函数的输入，进行计算因变量。然而在theano中，我们一般是先声明自变量x(不需要赋值)，然后编写函数方程结束后；最后在为自变量赋值，计算出函数的输出值y，比如上面的代码在theano中，一般这么写：

import theano x=theano.tensor.iscalar('x')#声明一个int类型的变量x y=theano.tensor.pow(x,3)#定义y=x^3 f=theano.function([x],y)#定义函数的自变量为x（输入），因变量为y（输出） print f(2)#计算当x=2的时候，函数f(x)的值 print f(4)#计算当x=4时，函数f(x)=x^3的值

一旦我们定义了f(x)=x^3，这个时候，我们就可以输入我们想要的x值，然后计算出x的三次方了。因此个人感觉theano的编程方式，跟我们数学思路一样，数学上一般是给定一个自变量x，定义一个函数(因变量)，然后根据我们实际的x值，对因变量进行赋值。在深度学习中，每个样本就是一个x的不同赋值。

例2：S函数示例。再看一个例子，S函数的实现：

import theano x =theano.tensor.fscalar('x')#定义一个float类型的变量x y= 1 / (1 + theano.tensor.exp(-x))#定义变量y f= theano.function([x],y)#定义函数f，输入为x，输出为y print f(3)#计算当x=3的时候，y的值

上面的例子中，我们学到了一个非常重要的函数:theano.function,这个函数用于定义一个函数的自变量、因变量。

function网站为：http://deeplearning.net/software/theano/library/compile/function.html。函数的参数：function(inputs, outputs, 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='raise')，参数看起来一大堆，不过我们一般只用到三个，inputs表示自变量、outputs表示函数的因变量(也就是函数的返回值)，还有另外一个比较常用的是updates这个参数，这个一般用于神经网络共享变量参数更新，这个参数后面讲解。

例3：function使用示例

我们再看一个多个自变量、同时又有多个因变量的函数定义例子：

#coding=utf-8 import theano x, y =theano.tensor.fscalars('x', 'y') z1= x + y z2=x*y f =theano.function([x,y],[z1,z2])#定义x、y为自变量，z1、z2为函数返回值（因变量） print f(2,3)#返回当x=2，y=3的时候，函数f的因变量z1，z2的值

二、必学函数

例1、求偏导数

theano有个很好用的函数，就是求函数的偏导数theano.grad()，比如上面的S函数，我们要求当x=3的时候，s函数的导数，代码如下：

#coding=utf-8 import theano x =theano.tensor.fscalar('x')#定义一个float类型的变量x y= 1 / (1 + theano.tensor.exp(-x))#定义变量y dx=theano.grad(y,x)#偏导数函数 f= theano.function([x],dx)#定义函数f，输入为x，输出为s函数的偏导数 print f(3)#计算当x=3的时候，函数y的偏导数

例2、共享变量

共享变量是多线程编程中的一个名词，故名思议就是各线程，公共拥有的变量，这个是为了多线程高效计算、访问而使用的变量。因为深度学习中，我们整个计算过程基本上是多线程计算的，于是就需要用到共享变量。在程序中，我们一般把神经网络的参数W、b等定义为共享变量，因为网络的参数，基本上是每个线程都需要访问的。

#coding=utf-8 import theano import numpy A=numpy.random.randn(3,4);#随机生成一个矩阵 x = theano.shared(A)#从A，创建共享变量x print x.get_value() 通过get_value()、set_value()可以查看、设置共享变量的数值。

例3、共享变量参数更新

前面我们提到theano.function函数，有个非常重要的参数updates，updates是一个包含两个元素的列表或tuple，updates=[old_w,new_w]，当函数被调用的时候，这个会用new_w替换old_w,具体看一下下面例子：

#coding=utf-8 import theano w= theano.shared(1)#定义一个共享变量w，其初始值为1 x=theano.tensor.iscalar('x') f=theano.function([x], w, updates=[[w, w+x]])#定义函数自变量为x，因变量为w，当函数执行完毕后，更新参数w=w+x print f(3)#函数输出为w print w.get_value()#这个时候可以看到w=w+x为4

这个主要用于梯度下降的时候，要用到。比如updates=[w,w-α*(dT/dw)]，其中dT/dw就是我们梯度下降的时候，损失函数对参数w的偏导数，α是学习率。

OK，下面开始进入实战阶段，实战阶段的源码主要参考自网站：http://deeplearning.net/tutorial/

三、实战阶段1—逻辑回归实现

打好了基础的扎马步阶段，接着我们就要开始进入学习实战招式了，先学一招最简答的招式，逻辑回归的实现：

#coding=utf-8 import numpy import theano import theano.tensor as T rng = numpy.random N = 10 # 我们为了测试，自己生成10个样本，每个样本是3维的向量，然后用于训练 feats = 3 D = (rng.randn(N, feats).astype(numpy.float32), rng.randint(size=N, low=0, high=2).astype(numpy.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") #构造损失函数 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) # 交叉商损失函数 cost = xent.mean() + 0.01 * (w ** 2).sum()# 损失函数的平均值+L2正则项，其中权重衰减系数为0.01 gw, gb = T.grad(cost, [w, b]) #对总损失函数求参数的偏导数 prediction = p_1 > 0.5 # 预测 train = theano.function(inputs=[x,y],outputs=[prediction, xent],updates=((w, w - 0.1 * gw), (b, b - 0.1 * gb)))#训练所需函数 predict = theano.function(inputs=[x], outputs=prediction)#测试阶段函数 #训练 training_steps = 1000 for i in range(training_steps): pred, err = train(D[0], D[1]) print err.mean()#查看损失函数下降变化过程 四、实战阶段2—mlp实现

接着学一个稍微牛逼一点，也就三层神经网络模型的实现，然后用于“手写字体识别”训练：

网络输出层的计算公式就是：

具体源码如下：

#encoding:utf-8 import os import sys import timeit import numpy import theano import theano.tensor as T from logistic_sgd import LogisticRegression, load_data class HiddenLayer(object): def __init__(self, rng, input, n_in, n_out, W=None, b=None, activation=T.tanh): """ 2、rng: numpy.random.RandomState是随机数生成器用于初始化W 3、input: 类型为theano.tensor.dmatrix，是一个二维的矩阵(n_examples, n_in) 第一维表示训练样本的个数，第二维表示特征维数，比如:input(i,j)表示第i个样本的第j个特征值 4、n_in: 输入特征数，也就是输入神经元的个数 5、n_out: 输出神经元的个数 6、W如果有输入，那么为(n_in,n_out)大小的矩阵 7、b如果有输入，那么为(n_out,)的向量 8、activation活激活函数选项 """ self.input = input '''W的初始化选择[-a,a]进行均匀分布采样，其中如果激活函数选择tanh，则a=sqrt(6./(本层输入神经元数+本层输出神经元数)) 如果激活函数是选择sigmoid，那么a=4*sqrt(6./(本层输入神经元数+本层输出神经元数)) dtype类型需要设置成theano.config.floatX，这样GPU才能调用''' if W is None:#如果外部没有输入W，那么创建W W_values = numpy.asarray( rng.uniform( low=-numpy.sqrt(6. / (n_in + n_out)), high=numpy.sqrt(6. / (n_in + n_out)), size=(n_in, n_out) ), dtype=theano.config.floatX ) if activation == theano.tensor.nnet.sigmoid: W_values *= 4 W = theano.shared(value=W_values, name='W', borrow=True) if b is None:#如果外部没有输入b，那么创建b b_values = numpy.zeros((n_out,), dtype=theano.config.floatX) b = theano.shared(value=b_values, name='b', borrow=True) self.W = W self.b = b #激活函数映射 lin_output = T.dot(input, self.W) + self.b self.output = ( lin_output if activation is None else activation(lin_output) ) # 模型参数 self.params = [self.W, self.b] # MLP类是三层神经网络：输入，隐层，输出，第一层为简单的人工神经网络，第二层为逻辑回归层 class MLP(object): def __init__(self, rng, input, n_in, n_hidden, n_out): """ n_in: 输入层神经元个数 n_hidden: 隐层神经元个数 n_out:输出层神经元个数 """ # 创建隐藏层 self.hiddenLayer = HiddenLayer( rng=rng, input=input, n_in=n_in, n_out=n_hidden, activation=T.tanh ) # 创建逻辑回归层 self.logRegressionLayer = LogisticRegression( input=self.hiddenLayer.output, n_in=n_hidden, n_out=n_out ) # 整个网络的L1正则项，也就是使得所有的链接权值W的绝对值总和最小化 self.L1 = ( abs(self.hiddenLayer.W).sum() + abs(self.logRegressionLayer.W).sum() ) # 整个网络的L2正则项，也就是使得所有的链接权值的平方和最小化 self.L2_sqr = ( (self.hiddenLayer.W ** 2).sum() + (self.logRegressionLayer.W ** 2).sum() ) # self.negative_log_likelihood = ( self.logRegressionLayer.negative_log_likelihood ) # same holds for the function computing the number of errors self.errors = self.logRegressionLayer.errors # 把所有的参数保存到同一个列表中，这样后面可以直接求导 self.params = self.hiddenLayer.params + self.logRegressionLayer.params self.input = input #手写数字识别测试，BP算法 def test_mlp(learning_rate=0.01, L1_reg=0.00, L2_reg=0.0001, n_epochs=1000, dataset='mnist.pkl.gz', batch_size=20, n_hidden=500): """ learning_rate: 梯度下降法的学习率 L1_reg: L1正则项的权值 L2_reg:L2正则项的权值 n_epochs:最大迭代次数 dataset：里面的数据是28*28的手写图片数据 """ datasets = load_data(dataset) train_set_x, train_set_y = datasets[0] valid_set_x, valid_set_y = datasets[1] test_set_x, test_set_y = datasets[2] # 批量训练，计算总共有多少批 n_train_batches = train_set_x.get_value(borrow=True).shape[0] / batch_size n_valid_batches = valid_set_x.get_value(borrow=True).shape[0] / batch_size n_test_batches = test_set_x.get_value(borrow=True).shape[0] / batch_size # 分配符号变量 index = T.lscalar() # index to a [mini]batch x = T.matrix('x') # 训练数据 y = T.ivector('y') # 训练数据的标签 rng = numpy.random.RandomState(1234) # 构建三层神经网络 classifier = MLP( rng=rng, input=x, n_in=28 * 28, n_hidden=n_hidden, n_out=10 ) # 计算损失函数 cost = ( classifier.negative_log_likelihood(y) + L1_reg * classifier.L1 + L2_reg * classifier.L2_sqr ) #损失函数求解偏导数 gparams = [T.grad(cost, param) for param in classifier.params] # 梯度下降法参数更新 updates = [ (param, param - learning_rate * gparam) for param, gparam in zip(classifier.params, gparams) ] #定义训练函数 train_model = theano.function( inputs=[index], outputs=cost, updates=updates, givens={ x: train_set_x[index * batch_size: (index + 1) * batch_size], y: train_set_y[index * batch_size: (index + 1) * batch_size] } ) #跑起来，训练起来，搞起 epoch=0 while (epoch <10): cost=0 for minibatch_index in xrange(n_train_batches): cost+= train_model(minibatch_index) print 'epoch:',epoch,' error:',cost/n_train_batches epoch = epoch + 1 #跑起来，网络train起来 test_mlp()

五、实战阶段3—最简单的卷积神经网络实现

最后再学一招最牛逼的，也就是卷积神经网络的实现，下面是一个手写字体lenet5的实现：

#-*-coding:utf-8-*- import theano import numpy as np import matplotlib.pyplot as plt from loaddata import loadmnist import theano.tensor as T #softmax函数 class softmax: #outdata为我们标注的输出，hiddata网络输出层的输入，nin,nout为输入、输出神经元个数 def __init__(self,hiddata,outdata,nin,nout): self.w=theano.shared(value=np.zeros((nin,nout),dtype=theano.config.floatX),name='w'); self.b=theano.shared(value=np.zeros((nout,),dtype=theano.config.floatX),name='b') prey=T.nnet.softmax(T.dot(hiddata,self.w)+self.b)#通过softmax函数，得到输出层每个神经元数值(概率) self.loss=-T.mean(T.log(prey)[T.arange(outdata.shape[0]),outdata])#损失函数 self.para=[self.w,self.b] self.predict=T.argmax(prey,axis=1) self.error=T.mean(T.neq(T.argmax(prey,axis=1),outdata)) #输入层到隐藏层 class HiddenLayer: def __init__(self,inputx,nin,nout): a=np.sqrt(6./(nin+nout)) ranmatrix=np.random.uniform(-a,a,(nin,nout)); self.w=theano.shared(value=np.asarray(ranmatrix,dtype=theano.config.floatX),name='w') self.b=theano.shared(value=np.zeros((nout,),dtype=theano.config.floatX),name='b') self.out=T.tanh(T.dot(inputx,self.w)+self.b) self.para=[self.w,self.b] #传统三层感知器 class mlp: def __init__(self,nin,nhid,nout): x=T.fmatrix('x') y=T.ivector('y') #前向 hlayer=HiddenLayer(x,nin,nhid) olayer=softmax(hlayer.out,y,nhid,nout) #反向 paras=hlayer.para+olayer.para dparas=T.grad(olayer.loss,paras) updates=[(para,para-0.1*dpara) for para,dpara in zip(paras,dparas)] self.trainfunction=theano.function(inputs=[x,y],outputs=olayer.loss,updates=updates) def train(self,trainx,trainy): return self.trainfunction(trainx,trainy) #卷积神经网络的每一层，包括卷积、池化、激活映射操作 #img_shape为输入特征图，img_shape=（batch_size,特征图个数，图片宽、高） #filter_shape为卷积操作相关参数，filter_shape=（输入特征图个数、输出特征图个数、卷积核的宽、卷积核的高） #，这样总共filter的个数为：输入特征图个数*输出特征图个数*卷积核的宽*卷积核的高 class LeNetConvPoolLayer: def __init__(self,inputx,img_shape,filter_shape,poolsize=(2,2)): #参数初始化 assert img_shape[1]==filter_shape[1] a=np.sqrt(6./(filter_shape[0]+filter_shape[1])) v=np.random.uniform(low=-a,high=a,size=filter_shape) wvalue=np.asarray(v,dtype=theano.config.floatX) self.w=theano.shared(value=wvalue,name='w') bvalue=np.zeros((filter_shape[0],),dtype=theano.config.floatX) self.b=theano.shared(value=bvalue,name='b') covout=T.nnet.conv2d(inputx,self.w)#卷积操作 covpool=T.signal.downsample.max_pool_2d(covout,poolsize)#池化操作 self.out=T.tanh(covpool+self.b.dimshuffle('x', 0, 'x', 'x')) self.para=[self.w,self.b] #读取手写字体数据 trainx,trainy=loadmnist() trainx=trainx.reshape(-1,1,28,28) batch_size=30 m=trainx.shape[0] ne=m/batch_size batchx=T.tensor4(name='batchx',dtype=theano.config.floatX)#定义网络的输入x batchy=T.ivector('batchy')#定义输出y #第一层卷积层 cov1_layer=LeNetConvPoolLayer(inputx=batchx,img_shape=(batch_size,1,28,28),filter_shape=(20,1,5,5)) cov2_layer=LeNetConvPoolLayer(inputx=cov1_layer.out,img_shape=(batch_size,20,12,12),filter_shape=(50,20,5,5))#第二层卷积层 cov2out=cov2_layer.out.flatten(2)#从卷积层到全连接层，把二维拉成一维向量 hlayer=HiddenLayer(cov2out,4*4*50,500)#隐藏层 olayer=softmax(hlayer.out,batchy,500,10)# paras=cov1_layer.para+cov2_layer.para+hlayer.para+olayer.para#网络的所有参数，把它们写在同一个列表里 dparas=T.grad(olayer.loss,paras)#损失函数，梯度求导 updates=[(para,para-0.1*dpara) for para,dpara in zip(paras,dparas)]#梯度下降更新公式 train_function=theano.function(inputs=[batchx,batchy],outputs=olayer.loss,updates=updates)#定义输出变量、输出变量 test_function=theano.function(inputs=[batchx,batchy],outputs=[olayer.error,olayer.predict]) testx,testy=loadmnist(True) testx=testx.reshape(-1,1,28,28) train_history=[] test_history=[] for it in range(20): sum=0 for i in range(ne): a=trainx[i*batch_size:(i+1)*batch_size] loss_train=train_function(trainx[i*batch_size:(i+1)*batch_size],trainy[i*batch_size:(i+1)*batch_size]) sum=sum+loss_train sum=sum/ne print 'train_loss:',sum test_error,predict=test_function(testx,testy) print 'test_error:',test_error train_history=train_history+[sum] test_history=test_history+[test_error] n=len(train_history) fig1=plt.subplot(111) fig1.set_ylim(0.001,0.2) fig1.plot(np.arange(n),train_history,'-')

参考文献：

1、http://deeplearning.net/software/theano/tutorial/index.html#tutorial

*************作者：hjimce     联系qq：1393852684   更多资源请关注我的博客：http://blog.csdn.net/hjimce                原创文章，转载请保留本行信息*********************