为什么我们需要 Theano 重塑？答案

【问题标题】：Why do we need Theano reshape?为什么我们需要 Theano 重塑？
【发布时间】：2015-12-20 19:17:02
【问题描述】：

我不明白为什么我们需要 Theano 中的tensor.reshape() 函数。文档中说：

返回该张量的视图，该视图已被重新整形，如 numpy.reshape.

据我了解，theano.tensor.var.TensorVariable 是一些用于创建计算图的实体。它完全独立于形状。例如，当您创建函数时，您可以传递矩阵 2x2 或矩阵 100x200。正如我认为重塑以某种方式限制了这种多样性。但事实并非如此。假设如下示例：

X = tensor.matrix('X')
X_resh = X.reshape((3, 3))
Y = X_resh ** 2
f = theano.function([X_resh], Y)

print(f(numpy.array([[1, 2], [3, 4]])))

据我了解，它应该会出错，因为我传递了矩阵 2x2 而不是 3x3，但它可以完美地计算元素平方。

那么theano张量变量的shape是什么，我们应该在哪里使用呢？

【问题讨论】：

标签： theano

【解决方案1】：

提供的代码中存在错误，但 Theano 未能指出这一点。

代替

f = theano.function([X_resh], Y)

你真的应该使用

f = theano.function([X], Y)

使用原始代码，您实际上是在 reshape 之后提供张量，因此 reshape 命令永远不会被执行。这可以通过添加来看到

theano.printing.debugprint(f)

打印出来的

Elemwise{sqr,no_inplace} [id A] ''   0
 |<TensorType(float64, matrix)> [id B]

请注意，在这个编译后的执行图中没有重塑操作。

如果更改代码以使用 X 而不是 X_resh 作为输入，那么 Theano 会抛出包含消息的错误

ValueError: 新数组的总大小必须保持不变导致错误：Reshape{2}(X, TensorConstant{(2L,) of 3})

这是意料之中的，因为无法将形状为 (2, 2)（即 4 个元素）的张量重塑为形状为 (3, 3)（即 9 个元素）的张量。

为了解决更广泛的问题，我们可以在目标形状中使用符号表达式，这些表达式可以是输入张量符号形状的函数。下面是一些例子：

import numpy
import theano
import theano.tensor

X = theano.tensor.matrix('X')
X_vector = X.reshape((X.shape[0] * X.shape[1],))
X_row = X.reshape((1, X.shape[0] * X.shape[1]))
X_column = X.reshape((X.shape[0] * X.shape[1], 1))
X_3d = X.reshape((-1, X.shape[0], X.shape[1]))
f = theano.function([X], [X_vector, X_row, X_column, X_3d])

for output in f(numpy.array([[1, 2], [3, 4]])):
    print output.shape, output

【讨论】：