将“输入”传递给 Theano 中的函数的目的/含义是什么？

我希望示例会让这一点更清楚，（这是一个 Logistic 回归对象，Theano 张量库作为 T 导入）

    def __init__(self, input, n_in, n_out):
        #Other code...
        self.p_y_given_x = T.nnet.softmax(T.dot(input, self.W) + self.b)

这在 main 中被称为...

def main():
    x = T.matrix()
    classifier = LogisticRegression(input=x, n_in=28 * 28, n_out=10)

如果这些片段不足以理解，代码位于此页面的“将其全部放在一起”下 -http://deeplearning.net/tutorial/logreg.html#logreg http://deeplearning.net/tutorial/logreg.html#logreg

所以... Theano 在计算表达式之前先为其构建图表。通过将 theano 变量（例如示例中的“x”）传递给逻辑回归对象的初始化，您将在对象中创建许多表达式（例如 p_y_given_x），这些表达式是依赖于 x 的 theano 表达式。这稍后用于符号梯度计算。

为了更好地感受它，您可以执行以下操作：

import theano.pp #pp is for pretty print
x = T.dmatrix('x') #naming your variables is a good idea, and important i think
lr = LogisticRegression(x,n_in = 28*28, n_out= 10)
print pp(lr.p_y_given_x)

这应该给你一个输出，例如

softmax( W \dot x + b)

当你在做的时候，就去尝试吧

print pp(T.grad(lr._y_given_x,x)) #might need syntax checkng

这就是 theano 内部存储表达式的方式。然后你可以使用这些表达式在theano中创建函数，例如

values = theano.shared( value = mydata, name = 'values')
f = theano.function([],lr.p_y_given_x , 
                    givens ={x:values},on_unused_input='ignore')
print f()

然后调用 f 应该会为您提供 mydata.txt 中定义的值的预测类概率。在 theano 中执行此操作的方法（以及在 DL 教程中完成的方法）是传递一个“虚拟”theano 变量，然后使用“givens”关键字将其设置为包含数据的共享变量。这很重要，因为将变量存储在共享变量中允许 theano 使用 GPU 进行矩阵运算。