为什么我们需要 Theano 重塑？

Question

我不明白为什么 Theano 中需要 tensor.reshape() 函数。文档中说：

Returns a view of this tensor that has been reshaped as in numpy.reshape.

据我了解，theano.tensor.var.TensorVariable 是一些用于创建计算图的实体。而且它完全独立于形状。例如，当您创建函数时，您可以将矩阵 2x2 或矩阵 100x200 传递给那里。正如我所想的那样，重塑以某种方式限制了这种多样性。但事实并非如此。假设以下示例：

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]])))

据我所知，它应该给出一个错误，因为我传递的矩阵是 2x2 而不是 3x3，但它可以完美地计算元素方块。

那么theano张量变量的shape是什么，我们应该在哪里使用呢？

Answer 1

提供的代码中存在错误，尽管 Theano 未能指出这一点。

而不是

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

你真的应该使用

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

使用原始代码，您实际上是在重塑之后提供张量 ，因此重塑命令永远不会执行。这可以通过添加

看到
theano.printing.debugprint(f)

打印

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

请注意，此编译执行图中没有重塑操作。

如果更改代码，使用 X 而不是 X_resh 作为输入，那么 Theano 会抛出一个错误，包括消息

ValueError: total size of new array must be unchanged Apply node that caused the error: Reshape{2}(X, TensorConstant{(2L,) of 3})

这是预料之中的，因为不能将形状为 (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。下面是一些示例：

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

为什么我们需要 Theano 重塑？

Why do we need Theano reshape?

theano