theano学习之Shared变量

Shared 变量，意思是这些变量可以在运算过程中，不停地进行交换和更新值。在定义 weights 和 bias 的情况下，会需要用到这样的变量。

import numpy as np
import theano
import theano.tensor as T

#---------------------------shared是用来存放变量的，会不断更新数值---------------------#

state = theano.shared(np.array(0,dtype=np.float64),'state')#用np.array给state赋初值，名字为state
inc = T.scalar('inc',dtype=state.dtype)#定义一个容器，名字为inc，值的类型为state类型，不弄用np.float64
accumulator = theano.function([inc],state,updates=[(state,state+inc)])#定义一个函数，传过来的数为inc的值，结果为state，更新方法为state加inc

#--------输出不能使用print（state），而要用state.get_value（）来获取state中个值---------#

print(state.get_value())#不传值的话state里面的值为赋初值里的值
accumulator(1)#把1传到累加器里面去
print(state.get_value())#state的值更新了，变为1
accumulator(10)#把10传过去
print(state.get_value())#state的值更新了，变为11

#---------------可以用set_value来改变state里的值----------------------------------------#
state.set_value(-1)
accumulator(3)
print(state.get_value())#输出值为2

#-------------------------------------临时使用-------------------------------------------#
#有时只是想暂时使用 Shared 变量，并不需要把它更新： 这时我们可以定义一个 a 来临时代替 state，注意定义 a 的时候也要统一dtype
tmp_func = state*2 + inc
a = T.scalar(dtype=state.dtype)
skip_shared = theano.function([inc,a],tmp_func,givens=[(state,a)])#忽略掉 Shared 变量自己的运算，输入值是 [inc,a]，相当于把 a 代入 state，输出是 tmp_func，givens 就是想把什么替换成什么。 这样的话，在调用 skip_shared 函数后，state 并没有被改变。
print(skip_shared(2,3))#借用了一下share变量state
print(state.get_value())#原始值还是2

结果：

来源

theano学习之Shared变量

猜你喜欢