Theano 中文文档 0.9 - 7.2.6 Theano如何处理形状信息

7.2.6 Theano如何处理形状信息

译者：Python 文档协作翻译小组，原文：How Shape Information is Handled by Theano。

本文以 CC BY-NC-SA 4.0 协议发布，转载请保留作者署名和文章出处。

Python 文档协作翻译小组人手紧缺，有兴趣的朋友可以加入我们，完全公益性质。交流群：467338606。

在构建图形时，不可能严格执行Theano变量的形状，因为在运行时间为Theano函数的参数提供的特定值可能会调整其图形中的Theano变量的形状。

目前，关于形状的信息在Theano中以两种方式使用：

• 为了在CPU和GPU上生成用于2d卷积的更快的C代码，当预先知道确切的输出形状时。

• 当我们只想知道形状，而不是变量的实际值时，去除图中的计算。这通过Op.infer_shape方法完成。

  例：

>>> import theano>>> x = theano.tensor.matrix('x')>>> f = theano.function([x], (x ** 2).shape)>>> theano.printing.debugprint(f) MakeVector{dtype='int64'} [id A] ''   2 |Shape_i{0} [id B] ''   1 | |x [id C] |Shape_i{1} [id D] ''   0 |x [id C]

此编译函数的输出不包含任何乘法或幂。Theano已经删除它们直接计算输出的形状。

Shape Inference Problem

Theano在图形中传播关于形状的信息。有时这可能会导致错误。考虑这个例子：

>>> import numpy>>> import theano>>> x = theano.tensor.matrix('x')>>> y = theano.tensor.matrix('y')>>> z = theano.tensor.join(0, x, y)>>> xv = numpy.random.rand(5, 4)>>> yv = numpy.random.rand(3, 3)

>>> f = theano.function([x, y], z.shape)>>> theano.printing.debugprint(f) MakeVector{dtype='int64'} [id A] ''   4 |Elemwise{Add}[(0, 0)] [id B] ''   3 | |Shape_i{0} [id C] ''   1 | | |x [id D] | |Shape_i{0} [id E] ''   2 |   |y [id F] |Shape_i{1} [id G] ''   0 |x [id D]

>>> f(xv, yv) # DOES NOT RAISE AN ERROR AS SHOULD BE.array([8, 4])

>>> f = theano.function([x,y], z)# Do not take the shape.>>> theano.printing.debugprint(f) Join [id A] ''   0 |TensorConstant{0} [id B] |x [id C] |y [id D]

>>> f(xv, yv)  Traceback (most recent call last):  ...ValueError: ...

正如你所看到的，当仅仅请求一些计算的形状（在示例中join）时，直接计算推断的形状，而不执行计算本身（没有join

这使得形状的计算更快，但它也可以隐藏错误。在此示例中，join的输出形状的计算仅基于第一个输入Theano变量完成，这导致错误。

这可能会发生在其他操作，例如elemwise和dot。实际上，为了执行一些优化（例如，对于速度或稳定性），Theano假定计算是正确的，并且在第一位置是一致的，如在这里。

您可以通过运行代码而不进行此优化，使用Theano标志optimizer_excluding=local_shape_to_shape_i来检测这些问题。你也可以通过在模式FAST_COMPILE（它不会应用此优化，也不会应用大多数其他优化）或DebugMode优化（慢得多））。

Specifing Exact Shape

目前，指定一个形状不是那么容易和灵活，我们希望，我们计划一些升级。这里是可以做什么的当前状态：

• 你可以直接传递形状信息到ConvOp创建时调用conv2d。你只需在调用中设置参数image_shape和filter_shape。它们必须是4个元素的元组。例如：

theano.tensor.nnet.conv2d(..., image_shape=(7, 3, 5, 5), filter_shape=(2, 3, 4, 4))

• 您可以使用SpecifyShape op在图形中的任何位置添加形状信息。这允许执行一些优化。在以下示例中，这使得有可能将Theano函数预先计算为常数。

>>> import theano>>> x = theano.tensor.matrix()>>> x_specify_shape = theano.tensor.specify_shape(x, (2, 2))>>> f = theano.function([x], (x_specify_shape ** 2).shape)>>> theano.printing.debugprint(f) DeepCopyOp [id A] ''   0 |TensorConstant{(2,) of 2} [id B]

Future Plans

参数“恒定形状”将添加到theano.shared()。这可能是shared变量??最常见的情况。它将使代码更简单，并且可以检查更新shared变量??时形状不会改变。

Shape Inference Problem

Theano在图形中传播关于形状的信息。有时这可能会导致错误。考虑这个例子：

>>> import numpy>>> import theano>>> x = theano.tensor.matrix('x')>>> y = theano.tensor.matrix('y')>>> z = theano.tensor.join(0, x, y)>>> xv = numpy.random.rand(5, 4)>>> yv = numpy.random.rand(3, 3)

>>> f = theano.function([x, y], z.shape)>>> theano.printing.debugprint(f) MakeVector{dtype='int64'} [id A] ''   4 |Elemwise{Add}[(0, 0)] [id B] ''   3 | |Shape_i{0} [id C] ''   1 | | |x [id D] | |Shape_i{0} [id E] ''   2 |   |y [id F] |Shape_i{1} [id G] ''   0 |x [id D]

>>> f(xv, yv) # DOES NOT RAISE AN ERROR AS SHOULD BE.array([8, 4])

>>> f = theano.function([x,y], z)# Do not take the shape.>>> theano.printing.debugprint(f) Join [id A] ''   0 |TensorConstant{0} [id B] |x [id C] |y [id D]

>>> f(xv, yv)  Traceback (most recent call last):  ...ValueError: ...

正如你所看到的，当仅仅请求一些计算的形状（在示例中join）时，直接计算推断的形状，而不执行计算本身（没有join

这使得形状的计算更快，但它也可以隐藏错误。在此示例中，join的输出形状的计算仅基于第一个输入Theano变量完成，这导致错误。

这可能会发生在其他操作，例如elemwise和dot。实际上，为了执行一些优化（例如，对于速度或稳定性），Theano假定计算是正确的，并且在第一位置是一致的，如在这里。

您可以通过运行代码而不进行此优化，使用Theano标志optimizer_excluding=local_shape_to_shape_i来检测这些问题。你也可以通过在模式FAST_COMPILE（它不会应用此优化，也不会应用大多数其他优化）或DebugMode优化（慢得多））。

Specifing Exact Shape

目前，指定一个形状不是那么容易和灵活，我们希望，我们计划一些升级。这里是可以做什么的当前状态：

• 你可以直接传递形状信息到ConvOp创建时调用conv2d。你只需在调用中设置参数image_shape和filter_shape。它们必须是4个元素的元组。例如：

theano.tensor.nnet.conv2d(..., image_shape=(7, 3, 5, 5), filter_shape=(2, 3, 4, 4))

• 您可以使用SpecifyShape op在图形中的任何位置添加形状信息。这允许执行一些优化。在以下示例中，这使得有可能将Theano函数预先计算为常数。

>>> import theano>>> x = theano.tensor.matrix()>>> x_specify_shape = theano.tensor.specify_shape(x, (2, 2))>>> f = theano.function([x], (x_specify_shape ** 2).shape)>>> theano.printing.debugprint(f) DeepCopyOp [id A] ''   0 |TensorConstant{(2,) of 2} [id B]