程引的专栏

载入与保存Python标准的保存类别实体并重新载入它们的途径是pickle机制。许多Theano对象可以由此被序列化（或者反序列化），然而pickle的局限性在于，被序列化的类别实例的代码或者数据并没有被同时保存。因此重新载入先前版本的类可能会出问题。因此，需要寻求基于预期保存和重新载入的耗时的不同机制。对于短期（比如临时文件和网络转录），Theano的pickle是可行的。对于长

List与TuplePython内置2种有序列表。List是可变数组，Tuple是不可变数组。List范例：                                     Girls =['LiuJingjing','ZhangHuixin','YeFei']-用len()函数获得list元素个数。-索引位置从0开始，最后一个元素的索引是-1Girls[-1]

Python可以用List当数组用，但是由于List的元素可以是任意对象，因此保存一个List需要保存所有指针和元素。非常消耗内存。本文学习博客：用Python做科学计算 整理笔记，以待备用。首先是NumPy函数库导入importnumpy as np创建数组array使用array可以创建多维数组a = np.array([[1, 2, 3, 4],[4, 5,

标量相加import theano.tensor as Tfrom theano import functionx = T.dscalar('x')y = T.dscalar('y')z = x + yf = function([x, y], z)输入定义两个符号变量来代替数值，输出是一个0维的numpy.ndarray数组。 矩阵相加把输入类型换一下就行了，矩阵如果

有了前面的准备，可以用Theano实现一个逻辑回归程序，逻辑回归是典型的有监督学习。为了形象，这里我们假设分类任务是区分人与狗的照片。 首先是生成随机数对象importnumpyimporttheanoimporttheano.tensor as Trng= numpy.random数据初始化有400张照片，这些照片不是人的就是狗的。每张照片是28*28=78

图结构（Graph Structures）是了解Theano内在工作原理的基础。Theano编程的核心是用符号占位符把数学关系表示出来。 图结构的组成部分如图实现了这段代码：importtheano.tensor as Tx= T.matrix('x')y= T.matrix('y')z= x + y变量节点（variable nodes）红色表示

导数使用T.grad计算。这里使用pp()打印梯度的符号表达式。第3行输出是打印了经过优化器简化的符号梯度表达式，与第1个输出相比确实简单多了。fill((x** TensorConstant{2}), TensorConstant{1.0})指创建一个x**2大小的矩阵，并填充1。importtheano.tensor as Tfromtheano import ppfr

配置config模块包含了各种用于修改Theano的属性。在Theano导入时，许多属性都会被检查，而有些属性是只读模式。一般约定，在用户代码内部config模块的属性不应当被修改。Theano的这些属性都有默认值，但是你也可以在你的.theanorc文件里面修改，并且使用THEANO_FLAGS的环境变量进行修改。优先顺序是：1. theano.config.的赋值2.

谈谈深度学习中的 Batch_SizeBatch_Size（批尺寸）是机器学习中一个重要参数，涉及诸多矛盾，下面逐一展开。首先，为什么需要有 Batch_Size 这个参数？Batch 的选择，首先决定的是下降的方向。如果数据集比较小，完全可以采用全数据集 （ Full Batch Learning ）的形式，这样做至少有 2 个好处：其一，由全数据集确定的方向能够更好地代表样本总体，从而更准确地朝