Theano(1) 安装(Window64)及教程

来源：互联网发布：dg数据恢复软件破解版编辑：程序博客网时间：2024/06/06 12:07

一、Theano的安装

   环境：Windows7 64位 + Python2.7     依赖：Numpy、Scipy包   正文 :    1>Theano的编译安装需要上面提到的两个包，还需要g++的编译器，不幸的是一般我们只有GCC。解决办法是安装Minwg，注意要64位的，否则不兼容。   下载地址：https://sourceforge.net/projects/mingw-w64/   按提示一步步安装就可以了，但要添加环境变量到Path(到bin目录一级就可以了)，使用gcc -v命令查看是否安装成功   2>之前已经安装了pip，所以可以直接使用pip安装：

 pip install theano

import theano 就会进行初次编译

二、教程翻译

官方文档：http://deeplearning.net/software/theano/tutorial/
译文1：http://www.gumpcs.com/index.php/archives/576
译文2：http://blog.csdn.net/walegahaha/article/details/50884627
译文3：http://www.cnblogs.com/charleshuang/p/3648804.html
译文4：http://www.cnblogs.com/charleshuang/p/3651843.html
还有某个大大的全部翻译版：
http://www.cnblogs.com/shouhuxianjian/category/699462.html
有时间再写心得。。。

softmax 的粗略实现，依然使用文本分类任务：

#coding=utf-8from numpy import *import theanoimport theano.tensor as Tfrom sklearn.datasets import load_filesfrom sklearn.feature_extraction.text import CountVectorizerfrom sklearn import metricsimport warningswarnings.filterwarnings("ignore")def calculate_result(actual,pred):    m_precision = metrics.precision_score(actual,pred)    m_recall = metrics.recall_score(actual,pred)    m_acc = metrics.accuracy_score(actual,pred)    print 'predict info:'    print 'accuracy:{0:.3f}'.format(m_acc)    print 'precision:{0:.3f}'.format(m_precision)    print 'recall:{0:0.3f}'.format(m_recall)    print 'f1-score:{0:.3f}'.format(metrics.f1_score(actual,pred))if __name__ == '__main__':#load datasets    doc_train = load_files('training')    doc_test = load_files('test')#Bool型特征（one-hot）    count_vec = CountVectorizer(binary=True,decode_error='replace')    doc_train_bool = count_vec.fit_transform(doc_train.data)    doc_test_bool = count_vec.transform(doc_test.data)    m, n = shape(doc_train_bool)#generate a dataset: D = (input_values, target_class)    D = (doc_train_bool.toarray(), doc_train.target)    training_steps = 100# Declare Theano symbolic variables    x = T.matrix("x")    y = T.ivector("y")    w = theano.shared(zeros([n,10]), name="w")# initialize the bias term    b = theano.shared(zeros(10), name="b")    print("Initial model:")    #print(w.get_value())# Construct Theano expression graph    p = T.nnet.softmax(T.dot(x,w) + b)# Probability that target = i       prediction = T.argmax(p,1)    # The prediction thresholded    xent = T.log(p[T.arange(y.shape[0]), y])    cost = -T.mean(xent)  #The cost to minimize    gw, gb = T.grad(cost, [w, b]) # Compute the gradient of the cost# Compile    train = theano.function(        inputs=[x,y],        outputs=[prediction,xent,cost],        updates=((w, w - 2 * gw), (b, b - 2 * gb)))    #predict = theano.function(inputs=[x], outputs=prediction)# Train    for i in range(training_steps):        print i,        pred,xent,cost = train(D[0], D[1])        print cost#Test    D1 = (doc_test_bool.toarray(), doc_test.target)    test = theano.function(inputs=[x], outputs=prediction)    calculate_result(doc_test.target,test(D1[0]))

结果：

predict info:accuracy:0.879precision:0.873recall:0.879f1-score:0.872

0 0