深度学习(三)theano入门学习

作者:hjimce

theano入门学习

原文地址:http://blog.csdn.net/hjimce/article/details/46806923

作者:hjimce

本篇博文主要是在我刚入门学theano的一个学习历程的回顾,记录了自己深度学习学习征程的第一站。

一、初识theano

1、theano.tensor常用数据类型

学习theano,首先要学的就是theano.tensor使用,其是基础数据结构,功能类似于python.numpy,教程网站为:http://deeplearning.net/software/theano/library/tensor/basic.html

在theano.tensor数据类型中,有double、int、uchar、float等各种类型,不过我们最常用到的是int和float类型,float是因为GPU一般是float32类型,所以在编写程序的时候,我们很少用到double,常用的数据类型如下:

数值:iscalar(int类型的变量)、fscalar(float类型的变量)

一维向量:ivector(int 类型的向量)、fvector(float类型的向量)、

二维矩阵:fmatrix(float类型矩阵)、imatrix(int类型的矩阵)

三维float类型矩阵:ftensor3  

四维float类型矩阵:ftensor4

其它类型只要把首字母变一下就可以了,更多类型请参考:http://deeplearning.net/software/theano/library/tensor/basic.html#theano.tensor.TensorVariable 中的数据类型表格

2、theano编程风格

例1:记得刚接触theano的时候,觉得它的编程风格很神奇,与我们之前所接触到的编程方式大不相同。在c++或者java等语言中,比如我们要计算“2的3次方”的时候,我们一般是:

int x=2;
int y=power(x,3);
也就是以前的编程方法中,我们一般先为自变量赋值,然后再把这个自变量作为函数的输入,进行计算因变量。然而在theano中,我们一般是先声明自变量x(不需要赋值),然后编写函数方程结束后;最后在为自变量赋值,计算出函数的输出值y,比如上面的代码在theano中,一般这么写:

import theano
x=theano.tensor.iscalar('x')#声明一个int类型的变量x
y=theano.tensor.pow(x,3)#定义y=x^3
f=theano.function([x],y)#定义函数的自变量为x(输入),因变量为y(输出)
print f(2)#计算当x=2的时候,函数f(x)的值
print f(4)#计算当x=4时,函数f(x)=x^3的值

一旦我们定义了f(x)=x^3,这个时候,我们就可以输入我们想要的x值,然后计算出x的三次方了。因此个人感觉theano的编程方式,跟我们数学思路一样,数学上一般是给定一个自变量x,定义一个函数(因变量),然后根据我们实际的x值,对因变量进行赋值。在深度学习中,每个样本就是一个x的不同赋值。

例2:S函数示例。再看一个例子,S函数的实现:


import theano
x =theano.tensor.fscalar('x')#定义一个float类型的变量x
y= 1 / (1 + theano.tensor.exp(-x))#定义变量y
f= theano.function([x],y)#定义函数f,输入为x,输出为y
print f(3)#计算当x=3的时候,y的值

上面的例子中,我们学到了一个非常重要的函数:theano.function,这个函数用于定义一个函数的自变量、因变量。

function网站为:http://deeplearning.net/software/theano/library/compile/function.html。函数的参数:function(inputs, outputs, mode=None, updates=None, givens=None, no_default_updates=False, accept_inplace=False, name=None,rebuild_strict=True, allow_input_downcast=None, profile=None, on_unused_input='raise'),参数看起来一大堆,不过我们一般只用到三个,inputs表示自变量、outputs表示函数的因变量(也就是函数的返回值),还有另外一个比较常用的是updates这个参数,这个一般用于神经网络共享变量参数更新,这个参数后面讲解。

例3:function使用示例

我们再看一个多个自变量、同时又有多个因变量的函数定义例子:

#coding=utf-8
import theano
x, y =theano.tensor.fscalars('x', 'y')
z1= x + y
z2=x*y
f =theano.function([x,y],[z1,z2])#定义x、y为自变量,z1、z2为函数返回值(因变量)
print f(2,3)#返回当x=2,y=3的时候,函数f的因变量z1,z2的值

二、必学函数

例1、求偏导数

theano有个很好用的函数,就是求函数的偏导数theano.grad(),比如上面的S函数,我们要求当x=3的时候,s函数的导数,代码如下:

#coding=utf-8
import theano
x =theano.tensor.fscalar('x')#定义一个float类型的变量x
y= 1 / (1 + theano.tensor.exp(-x))#定义变量y
dx=theano.grad(y,x)#偏导数函数
f= theano.function([x],dx)#定义函数f,输入为x,输出为s函数的偏导数
print f(3)#计算当x=3的时候,函数y的偏导数

例2、共享变量

共享变量是多线程编程中的一个名词,故名思议就是各线程,公共拥有的变量,这个是为了多线程高效计算、访问而使用的变量。因为深度学习中,我们整个计算过程基本上是多线程计算的,于是就需要用到共享变量。在程序中,我们一般把神经网络的参数W、b等定义为共享变量,因为网络的参数,基本上是每个线程都需要访问的。

#coding=utf-8
import theano
import numpy
A=numpy.random.randn(3,4);#随机生成一个矩阵
x = theano.shared(A)#从A,创建共享变量x
print x.get_value()
通过get_value()、set_value()可以查看、设置共享变量的数值。

例3、共享变量参数更新

前面我们提到theano.function函数,有个非常重要的参数updates,updates是一个包含两个元素的列表或tuple,updates=[old_w,new_w],当函数被调用的时候,这个会用new_w替换old_w,具体看一下下面例子:

#coding=utf-8
import theano
w= theano.shared(1)#定义一个共享变量w,其初始值为1
x=theano.tensor.iscalar('x')
f=theano.function([x], w, updates=[[w, w+x]])#定义函数自变量为x,因变量为w,当函数执行完毕后,更新参数w=w+x
print f(3)#函数输出为w
print w.get_value()#这个时候可以看到w=w+x为4

这个主要用于梯度下降的时候,要用到。比如updates=[w,w-α*(dT/dw)],其中dT/dw就是我们梯度下降的时候,损失函数对参数w的偏导数,α是学习率

OK,下面开始进入实战阶段,实战阶段的源码主要参考自网站:http://deeplearning.net/tutorial/

三、实战阶段1—逻辑回归实现

打好了基础的扎马步阶段,接着我们就要开始进入学习实战招式了,先学一招最简答的招式,逻辑回归的实现:

#coding=utf-8
import numpy
import theano
import theano.tensor as T
rng = numpy.random

N = 10     # 我们为了测试,自己生成10个样本,每个样本是3维的向量,然后用于训练
feats = 3
D = (rng.randn(N, feats).astype(numpy.float32), rng.randint(size=N, low=0, high=2).astype(numpy.float32))


# 声明自变量x、以及每个样本对应的标签y(训练标签)
x = T.matrix("x")
y = T.vector("y")

#随机初始化参数w、b=0,为共享变量
w = theano.shared(rng.randn(feats), name="w")
b = theano.shared(0., name="b")

#构造损失函数
p_1 = 1 / (1 + T.exp(-T.dot(x, w) - b))   # s激活函数
xent = -y * T.log(p_1) - (1-y) * T.log(1-p_1) # 交叉商损失函数
cost = xent.mean() + 0.01 * (w ** 2).sum()# 损失函数的平均值+L2正则项,其中权重衰减系数为0.01
gw, gb = T.grad(cost, [w, b])             #对总损失函数求参数的偏导数

prediction = p_1 > 0.5                    # 预测

train = theano.function(inputs=[x,y],outputs=[prediction, xent],updates=((w, w - 0.1 * gw), (b, b - 0.1 * gb)))#训练所需函数
predict = theano.function(inputs=[x], outputs=prediction)#测试阶段函数

#训练
training_steps = 1000
for i in range(training_steps):
    pred, err = train(D[0], D[1])
    print err.mean()#查看损失函数下降变化过程
四、实战阶段2—mlp实现

接着学一个稍微牛逼一点,也就三层神经网络模型的实现,然后用于“手写字体识别”训练:



网络输出层的计算公式就是:


具体源码如下:

#encoding:utf-8
import os
import sys
import timeit
import numpy
import theano
import theano.tensor as T
from logistic_sgd import LogisticRegression, load_data


class HiddenLayer(object):
    def __init__(self, rng, input, n_in, n_out, W=None, b=None,
                 activation=T.tanh):
        """
        2、rng: numpy.random.RandomState是随机数生成器用于初始化W
        3、input: 类型为theano.tensor.dmatrix,是一个二维的矩阵(n_examples, n_in)
        第一维表示训练样本的个数,第二维表示特征维数,比如:input(i,j)表示第i个样本的第j个特征值
        4、n_in: 输入特征数,也就是输入神经元的个数
        5、n_out: 输出神经元的个数
        6、W如果有输入,那么为(n_in,n_out)大小的矩阵
        7、b如果有输入,那么为(n_out,)的向量
        8、activation活激活函数选项

        """
        self.input = input


        '''W的初始化选择[-a,a]进行均匀分布采样,其中如果激活函数选择tanh,则a=sqrt(6./(本层输入神经元数+本层输出神经元数))
        如果激活函数是选择sigmoid,那么a=4*sqrt(6./(本层输入神经元数+本层输出神经元数))
        dtype类型需要设置成theano.config.floatX,这样GPU才能调用'''
        if W is None:#如果外部没有输入W,那么创建W
            W_values = numpy.asarray(
                rng.uniform(
                    low=-numpy.sqrt(6. / (n_in + n_out)),
                    high=numpy.sqrt(6. / (n_in + n_out)),
                    size=(n_in, n_out)
                ),
                dtype=theano.config.floatX
            )
            if activation == theano.tensor.nnet.sigmoid:
                W_values *= 4

            W = theano.shared(value=W_values, name='W', borrow=True)

        if b is None:#如果外部没有输入b,那么创建b
            b_values = numpy.zeros((n_out,), dtype=theano.config.floatX)
            b = theano.shared(value=b_values, name='b', borrow=True)

        self.W = W
        self.b = b
        #激活函数映射
        lin_output = T.dot(input, self.W) + self.b
        self.output = (
            lin_output if activation is None
            else activation(lin_output)
        )
        # 模型参数
        self.params = [self.W, self.b]


# MLP类是三层神经网络:输入,隐层,输出,第一层为简单的人工神经网络,第二层为逻辑回归层
class MLP(object):

    def __init__(self, rng, input, n_in, n_hidden, n_out):
        """
        n_in: 输入层神经元个数

        n_hidden: 隐层神经元个数

        n_out:输出层神经元个数

        """

        # 创建隐藏层
        self.hiddenLayer = HiddenLayer(
            rng=rng,
            input=input,
            n_in=n_in,
            n_out=n_hidden,
            activation=T.tanh
        )

        # 创建逻辑回归层
        self.logRegressionLayer = LogisticRegression(
            input=self.hiddenLayer.output,
            n_in=n_hidden,
            n_out=n_out
        )

        # 整个网络的L1正则项,也就是使得所有的链接权值W的绝对值总和最小化
        self.L1 = (
            abs(self.hiddenLayer.W).sum()
            + abs(self.logRegressionLayer.W).sum()
        )

        # 整个网络的L2正则项,也就是使得所有的链接权值的平方和最小化
        self.L2_sqr = (
            (self.hiddenLayer.W ** 2).sum()
            + (self.logRegressionLayer.W ** 2).sum()
        )

        #
        self.negative_log_likelihood = (
            self.logRegressionLayer.negative_log_likelihood
        )
        # same holds for the function computing the number of errors
        self.errors = self.logRegressionLayer.errors

        # 把所有的参数保存到同一个列表中,这样后面可以直接求导
        self.params = self.hiddenLayer.params + self.logRegressionLayer.params

        self.input = input

#手写数字识别测试,BP算法
def test_mlp(learning_rate=0.01, L1_reg=0.00, L2_reg=0.0001, n_epochs=1000,
             dataset='mnist.pkl.gz', batch_size=20, n_hidden=500):
    """
    learning_rate: 梯度下降法的学习率

    L1_reg: L1正则项的权值

    L2_reg:L2正则项的权值

    n_epochs:最大迭代次数
    
    dataset:里面的数据是28*28的手写图片数据

   """
    datasets = load_data(dataset)

    train_set_x, train_set_y = datasets[0]
    valid_set_x, valid_set_y = datasets[1]
    test_set_x, test_set_y = datasets[2]

    # 批量训练,计算总共有多少批
    n_train_batches = train_set_x.get_value(borrow=True).shape[0] / batch_size
    n_valid_batches = valid_set_x.get_value(borrow=True).shape[0] / batch_size
    n_test_batches = test_set_x.get_value(borrow=True).shape[0] / batch_size



    # 分配符号变量
    index = T.lscalar()  # index to a [mini]batch
    x = T.matrix('x')  # 训练数据
    y = T.ivector('y')  # 训练数据的标签

    rng = numpy.random.RandomState(1234)

    # 构建三层神经网络
    classifier = MLP(
        rng=rng,
        input=x,
        n_in=28 * 28,
        n_hidden=n_hidden,
        n_out=10
    )

    # 计算损失函数
    cost = (
        classifier.negative_log_likelihood(y)
        + L1_reg * classifier.L1
        + L2_reg * classifier.L2_sqr
    )
    #损失函数求解偏导数
    gparams = [T.grad(cost, param) for param in classifier.params]
    # 梯度下降法参数更新
    updates = [
        (param, param - learning_rate * gparam)
        for param, gparam in zip(classifier.params, gparams)
    ]


    #定义训练函数
    train_model = theano.function(
        inputs=[index],
        outputs=cost,
        updates=updates,
        givens={
            x: train_set_x[index * batch_size: (index + 1) * batch_size],
            y: train_set_y[index * batch_size: (index + 1) * batch_size]
        }
    )

    #跑起来,训练起来,搞起
    epoch=0
    while (epoch <10):
        cost=0
        for minibatch_index in xrange(n_train_batches):
            cost+= train_model(minibatch_index)
        print 'epoch:',epoch,'    error:',cost/n_train_batches
        epoch = epoch + 1


#跑起来,网络train起来
test_mlp()

五、实战阶段3—最简单的卷积神经网络实现

最后再学一招最牛逼的,也就是卷积神经网络的实现,下面是一个手写字体lenet5的实现:

#-*-coding:utf-8-*-
import theano
import numpy as np
import matplotlib.pyplot as plt     
from loaddata import loadmnist
import theano.tensor as T


#softmax函数
class softmax:
    #outdata为我们标注的输出,hiddata网络输出层的输入,nin,nout为输入、输出神经元个数
    def __init__(self,hiddata,outdata,nin,nout):

        self.w=theano.shared(value=np.zeros((nin,nout),dtype=theano.config.floatX),name='w');
        self.b=theano.shared(value=np.zeros((nout,),dtype=theano.config.floatX),name='b')

        prey=T.nnet.softmax(T.dot(hiddata,self.w)+self.b)#通过softmax函数,得到输出层每个神经元数值(概率)
        self.loss=-T.mean(T.log(prey)[T.arange(outdata.shape[0]),outdata])#损失函数
        self.para=[self.w,self.b]
        self.predict=T.argmax(prey,axis=1)
        self.error=T.mean(T.neq(T.argmax(prey,axis=1),outdata))
        

        

#输入层到隐藏层
class HiddenLayer:
    def __init__(self,inputx,nin,nout):
         a=np.sqrt(6./(nin+nout))
         ranmatrix=np.random.uniform(-a,a,(nin,nout));
         self.w=theano.shared(value=np.asarray(ranmatrix,dtype=theano.config.floatX),name='w')
         self.b=theano.shared(value=np.zeros((nout,),dtype=theano.config.floatX),name='b')
         self.out=T.tanh(T.dot(inputx,self.w)+self.b)
         self.para=[self.w,self.b]
#传统三层感知器    
class mlp:
    def __init__(self,nin,nhid,nout):
        x=T.fmatrix('x')
        y=T.ivector('y')
        #前向
        hlayer=HiddenLayer(x,nin,nhid)
        olayer=softmax(hlayer.out,y,nhid,nout)
        #反向
        paras=hlayer.para+olayer.para
        dparas=T.grad(olayer.loss,paras)
        updates=[(para,para-0.1*dpara) for para,dpara in zip(paras,dparas)]
        self.trainfunction=theano.function(inputs=[x,y],outputs=olayer.loss,updates=updates)

        
    def train(self,trainx,trainy):
        return self.trainfunction(trainx,trainy)
#卷积神经网络的每一层,包括卷积、池化、激活映射操作
#img_shape为输入特征图,img_shape=(batch_size,特征图个数,图片宽、高)
#filter_shape为卷积操作相关参数,filter_shape=(输入特征图个数、输出特征图个数、卷积核的宽、卷积核的高)
#,这样总共filter的个数为:输入特征图个数*输出特征图个数*卷积核的宽*卷积核的高
class LeNetConvPoolLayer:
    def __init__(self,inputx,img_shape,filter_shape,poolsize=(2,2)):
        #参数初始化
        assert img_shape[1]==filter_shape[1]
        a=np.sqrt(6./(filter_shape[0]+filter_shape[1]))

        v=np.random.uniform(low=-a,high=a,size=filter_shape)

        wvalue=np.asarray(v,dtype=theano.config.floatX)
        self.w=theano.shared(value=wvalue,name='w')
        bvalue=np.zeros((filter_shape[0],),dtype=theano.config.floatX)
        self.b=theano.shared(value=bvalue,name='b')
        
        covout=T.nnet.conv2d(inputx,self.w)#卷积操作
        
        covpool=T.signal.downsample.max_pool_2d(covout,poolsize)#池化操作
        
        self.out=T.tanh(covpool+self.b.dimshuffle('x', 0, 'x', 'x'))
        
        self.para=[self.w,self.b]
    
        
         
#读取手写字体数据
trainx,trainy=loadmnist()
trainx=trainx.reshape(-1,1,28,28)
batch_size=30
m=trainx.shape[0]
ne=m/batch_size



batchx=T.tensor4(name='batchx',dtype=theano.config.floatX)#定义网络的输入x
batchy=T.ivector('batchy')#定义输出y

#第一层卷积层
cov1_layer=LeNetConvPoolLayer(inputx=batchx,img_shape=(batch_size,1,28,28),filter_shape=(20,1,5,5))
cov2_layer=LeNetConvPoolLayer(inputx=cov1_layer.out,img_shape=(batch_size,20,12,12),filter_shape=(50,20,5,5))#第二层卷积层
cov2out=cov2_layer.out.flatten(2)#从卷积层到全连接层,把二维拉成一维向量
hlayer=HiddenLayer(cov2out,4*4*50,500)#隐藏层
olayer=softmax(hlayer.out,batchy,500,10)#

paras=cov1_layer.para+cov2_layer.para+hlayer.para+olayer.para#网络的所有参数,把它们写在同一个列表里
dparas=T.grad(olayer.loss,paras)#损失函数,梯度求导
updates=[(para,para-0.1*dpara) for para,dpara in zip(paras,dparas)]#梯度下降更新公式

train_function=theano.function(inputs=[batchx,batchy],outputs=olayer.loss,updates=updates)#定义输出变量、输出变量
test_function=theano.function(inputs=[batchx,batchy],outputs=[olayer.error,olayer.predict])

testx,testy=loadmnist(True)
testx=testx.reshape(-1,1,28,28)

train_history=[]
test_history=[]

for it in range(20):
    sum=0
    for i in range(ne):
        a=trainx[i*batch_size:(i+1)*batch_size]
        loss_train=train_function(trainx[i*batch_size:(i+1)*batch_size],trainy[i*batch_size:(i+1)*batch_size])
        sum=sum+loss_train
    sum=sum/ne 
    print 'train_loss:',sum
    test_error,predict=test_function(testx,testy)
    print 'test_error:',test_error
    
    train_history=train_history+[sum]
    test_history=test_history+[test_error]
n=len(train_history)
fig1=plt.subplot(111)
fig1.set_ylim(0.001,0.2)
fig1.plot(np.arange(n),train_history,'-')

参考文献:

1、http://deeplearning.net/software/theano/tutorial/index.html#tutorial

*************作者:hjimce     联系qq:1393852684   更多资源请关注我的博客:http://blog.csdn.net/hjimce                原创文章,转载请保留本行信息*********************





发表评论

14个评论

  • kaikaixinxinxin

    求教啊,ImportError: No module named loaddata 该咋解决呢?中间也下载了 logistic_sgd.py,logistic_sgd.py,logistic_cg.p不知道咋办?

    2017-04-20 17:38:23回复

  • FM_BUPT

    您好,请问您在运行的过程中有遇到内存占有率不断上升的情况吗。我的电脑是8G内存,不能GPU加速,跑到第3个epoch时就内存占用达到95%以上了。

    2017-04-12 22:13:06回复

  • FM_BUPT

    您好,在运行时,碰到这段代码出错 self.loss=-T.mean(T.log(prey)[T.arange(outdata.shape[0]),outdata])#损失函数 提示:'TensorVariable' object cannot be interpreted as an integer

    2017-04-12 20:51:04回复

  • qq_36832300

    给博主120个赞,并收藏转走学习。

    2016-12-09 20:55:56回复

  • qq_36832300

    写的真好,很多还看不懂

    2016-12-09 20:54:56回复

加载更多
我要留言×

技术领域:

我要留言×

留言成功,我们将在审核后加至投票列表中!

提示x

人工智能开发框架知识库已成功保存至我的图谱现在你可以用它来管理自己的知识内容了

删除图谱提示×

你保存在该图谱下的知识内容也会被删除,建议你先将内容移到其他图谱中。你确定要删除知识图谱及其内容吗?

删除节点提示×

无法删除该知识节点,因该节点下仍保存有相关知识内容!

删除节点提示×

你确定要删除该知识节点吗?