Theano yığın matrisleri programatik olarak mı?

Question

2 matrisin 3D tensörüne yerleştirildiği aşağıdaki kod var.

import theano 
import theano.tensor as T 
A = T.matrix("A") 
B = theano.tensor.stack(A, A) 
f = theano.function(inputs=[A], outputs=B) 
print f([range(10)]*2) 

Ancak, matrisi önceden yığmak için kaç kez ihtiyacım olduğunu bilmiyorum. Örneğin kod dördüncü hattı olabilir:

B = theano.tensor.stack(A, A, A) 
B = theano.tensor.stack(A, A, A, A) 
etc... 

bir matris n defa çoğaltmak için bir Theano işlevi vardır:

theano.some_function(A, 3) = theano.tensor.stack(A, A, A) 

Sonra geçebilir, 3 bu Theano işlev için bağımsız değişken olarak f. Mümkün mü? Yayına baktım ama yayıncılık boyutsallığı/yığını açıkça değiştirmiyor.

Answer 1

Ben Theano bilmem, ama bu liste kavrayışa ve açma argüman listesi başarabileceğini:

n = 5 
B = theano.tensor.stack(*[A for dummy in range(n)]) 

eşdeğerdir: Bu ne yapmasıdır

B = theano.tensor.stack(A, A, A, A, A) 

, bu ilk önce nA kopyaları ile bir liste oluşturur ve bu listeyi ayrı argümanlara paketler (bkz. https://docs.python.org/2/tutorial/controlflow.html#unpacking-argument-lists). Ben çözüm bulduk

Answer 2

Theano belgelerine aracılığıyla uzun ve zor kazma sonra: şimdi ikinci olarak programlama tekrar sayısını seçebilir hariç

import theano 
import theano.tensor as T 
A = T.matrix("A") 
B = theano.tensor.stack(A, A, A) 
f = theano.function(inputs=[A], outputs=B) 
print f([range(10)]*2) 

:

import theano 
import theano.tensor as T 
A = T.matrix("A") 
B = [A] 
C = theano.tensor.extra_ops.repeat(B, 3, axis=0) 
f = theano.function(inputs=[A], outputs=C) 
print f([range(10)]*2) 

eşdeğerdir argüman için: theano.tensor.extra_ops.repeat

Answer 3

Yayın Örnekleri

import theano 
import theano.tensor as T 
import numpy as np 

A = T.fmatrix() 
n = T.iscalar() 

ones = T.ones((n, 1, 1)) 

stackedA = ones * A[np.newaxis, :, :] 

f = theano.function([A, n], stackedA) 

a = np.arange(30).reshape(5, 6).astype('float32') 
nn = 3 

r = f(a, nn) 

print r.shape # outputs (3, 4, 5) 
print (r == a[np.newaxis]).all() # outputs True 

Bu yaklaşım, derleyiciyi optimize edebilecekse, derleyicinin zedelenmemesine yardımcı olabilir.