是否有相当于 numpy“broadcast_to”方法的 theano 操作？

Question

由于我需要在特定轴上重复，我想尽可能避免不必要的内存重新分配。

例如，给定一个形状为 (3, 4, 5) 的 numpy 数组 A，我想在原始 A 上创建一个形状为 (3, 4, 100, 5) 的名为 B 的视图. A 的第 3 轴重复 100 次。

在numpy中，可以这样实现：

    B=numpy.repeat(A.reshape((3, 4, 1, 5)), repeats=100, axis=2)

或：

    B=numpy.broadcast_to(A.reshape((3, 4, 1, 5)), repeats=100, axis=2)

前者分配一个新内存，然后做一些复制工作，而后者只是在A 上创建一个视图，而不需要额外的内存重新分配。这可以通过答案Size of numpy strided array/broadcast array in memory?中描述的方法来识别。

然而，在 theano 中，theano.tensor.repeat 似乎是唯一的方法，当然它不是更可取的。

我想知道是否有 `numpy.broadcast_to' 之类的 theano 方法可以有效地做到这一点？

Answer 1

有一个不错的方法 dimshuffle，它可以让 theano 变量在某个维度上广播

At = theano.tensor.tensor3()
Bt = At.dimshuffle(0,1,'x',2)

现在你有了一个形状为 (3,4,'x',5) 的张量变量，其中 'x' 表示你要添加的任何维度。

Ct=theano.tensor.zeros((Bt.shape[0],Bt.shape[1],100,Bt.shape[3]))+Bt

例子

f=theano.function([At],[Bt,Ct])
A = np.random.random((3,4,5)).astype(np.float32)
B,C=f(A)
print B.shape
print C.shape

(3, 4, 1, 5)

(3, 4, 100, 5)

除非指定，否则最好使用变量 Bt。