前言
因为目前需要搭建一些关于RBM或者其他之类的模型，感觉不太会折腾caffe，然而我发现了几个有趣网址，使用theano实现了各种各样的模型，所以，尝试学一下theano。主要以官方教程为主，所以博客会以译文的方式公布，当然会有自己的一些小见解或者扩展，编程环境为win7+jupyter notebook，如若有误，谢谢指正
国际惯例，网址帖一波：
【PTVS+Theano+CPU/GPU】在windows下使用VS安装theano深度学习工具
theano官方文档
theano搭建各种模型,包含RBM,CNN,RNN,AE等
python基础教程
theano中文翻译
基本数据类型定义及操作
因为theano的变量定义模块基本都存在theano.tensor中，所以我们先引入theano及其此模块
import theano
import theano.tensor as T标量定义和操作
首先定义theano类型的两个标量，有两种方法：
单独为每一个标量定义
x=T.dscalar('x') y=T.dscalar('y')或者一次性定义多个
x,y=T.dscalars('x','y')然后定义两个标量之间的操作，并将它转换为theano可执行的函数
转换方法是theano.function()，具体如下
z=x+y f=theano.function([x,y],z)可以发现function函数接受两个输入参数，第一个代表这个函数执行定义的功能所需要的输入信息，第二个代表这个函数提供的输出。这两个参数都可以是一个值或者一个列表，
f就相当于python中def定义的函数。执行此函数看看，提供一个列表输入，和一个值输出
print f(1,2)#3.0可以发现
theano的dscalar数据类型是double，只不过用type输出来是float64另一种不使用
function的方法叫eval，但是没function灵活，实现同样的功能方法如下print z.eval({x:2,y:3})#5.0它是将一个字典作为输入变量，然后返回表达式数值结果。第一次使用
eval()会很慢，因为后台需要使用function()编译表达式，但是后面相同的变量调用eval()就快了，因为编译好的函数已经缓存了此变量
向量的定义和操作
两种定义方法
#x,y=T.dvectors('x','y')x=T.dvector('x') y=T.dvector('y')赋值，运算
import numpy as np z=x+y f=theano.function([x,y],z) x1=np.array([1,2,3]) y1=np.array([4,5,6]) print f(x1,y1)#[ 5. 7. 9.]
矩阵的赋值和运算
两种定义方法
# x=T.dmatrix('x')# y=T.dmatrix('y')x,y=T.dmatrices('x','y')赋值，运算
z=x+y f=theano.function([x,y],z) x2=np.array([[1,2,3],[4,5,6]]) y2=np.array([[1,4,7],[2,5,8]]) print f(x2,y2) ''' [[ 2. 6. 10.] [ 6. 10. 14.]] '''
其它数据类型和操作
数据类型
上面讲的只有dscalar,’dvector’,’dmatrix’，但是theano还提供了许多其它精度的变量类型
byte: bscalar, bvector, bmatrix, brow, bcol, btensor3, btensor4, btensor5
16-bit integers: wscalar, wvector, wmatrix, wrow, wcol, wtensor3, wtensor4, wtensor5
32-bit integers: iscalar, ivector, imatrix, irow, icol, itensor3, itensor4, itensor5
64-bit integers: lscalar, lvector, lmatrix, lrow, lcol, ltensor3, ltensor4, ltensor5
float: fscalar, fvector, fmatrix, frow, fcol, ftensor3, ftensor4, ftensor5
double: dscalar, dvector, dmatrix, drow, dcol, dtensor3, dtensor4, dtensor5
complex: cscalar, cvector, cmatrix, crow, ccol, ctensor3, ctensor4, ctensor5其它与numpy兼容的类型可以查询这里:tensor creation
变量操作
上面讲的都是标量、向量、矩阵各自之间的操作，theano还支持标量+矩阵, 向量+矩阵, 标量+向量之类的操作，详细查询： broadcasting
随便拿几个作为实例看看：
dot函数，如果输入是二维矩阵，那么就进行二维矩阵的乘法运算。如果输入的是一维向量，就进行向量间的点乘计算(不包含共轭复数)，例子：
import theano import theano.tensor as T import numpy as np#x,y=T.dvectors('x','y')x=T.dvector('x') y=T.dvector('y') z1=T.dot(x,y) f=theano.function([x,y],z1) x1=np.array([1,2,3]) y1=np.array([4,5,6]) print f(x1,y1)#32.0#dot的向量乘积#x,y=T.dvectors('x','y')x=T.dmatrix('x') y=T.dmatrix('y') z1=T.dot(x,y) f=theano.function([x,y],z1) x2=np.array([[1,2,3],[4,5,6]]) y2=np.array([[1,4],[2,5],[7,8]]) print f(x2,y2) ''' [[ 26. 38.] [ 56. 89.]] '''outer函数，向量外积
#outer 向量外积#x,y=T.dvectors('x','y')x=T.dvector('x') y=T.dvector('y') z3=T.outer(x,y) f=theano.function([x,y],z3) x1=np.array([1,2,3]) y1=np.array([4,5,6]) print f(x1,y1) ''' [[ 4. 5. 6.] [ 8. 10. 12.] [ 12. 15. 18.]] '''向量+矩阵
x=T.dvector('x') y=T.dmatrix('y') z4=x+y f=theano.function([x,y],z4) x1=np.array([1,2,3]) y1=np.array([[4,5,6],[7,8,9]]) print f(x1,y1) ''' [[ 5. 7. 9.] [ 8. 10. 12.]] '''
官网介绍的剩下几个函数回头要用再慢慢补
练习
计算表达式a ** 2 + b ** 2 + 2 * a * b
标量形式
a,b=T.dscalars('a','b')
c=a ** 2 + b ** 2 + 2 * a * b
f=theano.function([a,b],c)
print f(2,3)向量形式
a,b=T.dvectors('a','b')
c=a ** 2 + b ** 2 + 2 * a * b
f=theano.function([a,b],c)
print f([1,2],[4,5])
#[ 25. 49.]所有code：链接: https://pan.baidu.com/s/1i4K5ULJ 密码: 5i69
