Python 使用无扫描功能丢失输入计算机

我正在试验Theano，特别是函数

我想用它将线性分类器应用到一组存储为矩阵X列的特征向量上（我确信有更好的方法，这只是为了熟悉函数扫描）

这是我的代码片段：

T_W = T.fmatrix('W')
T_b = T.fmatrix('b')

T_X = T.fmatrix('X')
T_x = T.fmatrix('x')

# this is the linear classifier
T_f = T.dot(T_W, T_x) + T_b
f = theano.function(inputs=[T_x, theano.Param(T_W), theano.Param(T_b)],outputs=T_f)

T_outputs, T_updates = theano.scan(fn=lambda x,W,b : T_f, sequences=[T_X], non_sequences=[T_W,T_b])

F = theano.function(inputs=[T_X, theano.Param(T_W), theano.Param(T_b)],outputs=T_outputs)

从iPython执行代码段时，我得到以下错误（由最后一条指令触发）：

MissingInputError：作为图形输入的变量既没有作为函数输入提供，也没有给定值。从这个输入到输出的变量链是[x，对于{cpu，scan_fn}.0]。此链可能不是唯一的
创建变量时的回溯：
文件“”，第5行，在
T_x=T.fmatrix（'x'）

现在还不完全清楚您想在这里做什么，但我猜您正在实现两个不同版本的线性分类器，一个不使用扫描，另一个使用扫描

下面的代码演示了我的方法

要回答您的具体问题：

出现错误消息是因为您的扫描版本在扫描步长函数中使用了

T\u f

（这很奇怪，其中一个原因是不清楚您试图执行的操作；步长函数根本没有使用任何输入变量

x

、

W

或

b

）和

T\u f

使用

T\u x

，但扫描版本的功能不将

T\u x

作为输入。取而代之的是

T_X

（注意大小写的区别），然后根本不用它

这里有一些提示和解释，说明您的代码和我的代码之间的差异

将事物分离成离散的方法非常有帮助。通过将代码拆分为

v1

和

v2

方法，我们确保这两种不同的实现不会相互干扰

建议始终使用

的
strict
参数no.scan

。它确保您不会意外地引入由step函数参数中的命名冲突引起的错误。默认情况下它没有启用，因为这可能会破坏旧代码，而strict不存在

使用一个成熟的函数代替lambda作为scan的阶跃函数。与严格模式一样，这有助于避免意外命名冲突，并使步骤代码更易于遵循。阶跃功能也可以单独测试

使用

compute\u test\u value

确保使用简单样本数据进行计算。特别是，这将识别形状不匹配（例如，以错误的顺序使用参数执行点），并且通过能够在构造计算图时打印/浏览中间值而不是稍后执行计算时打印/浏览中间值，使调试更容易

此代码将每个输入样本编码为

x

行，而不是

x

列。这需要后乘

w

，而不是预乘。这两种方法都有可能，但预乘

w

将使

b

的加法更加混乱（需要引入一个

dimsuffle

）

除非需要对默认值等使用非标准行为，否则无需使用

theano.Param

避免给事物命名，以免它们仅在大小写时有所不同！一般情况下，请坚持使用（即实例变量应为小写，单词之间用下划线分隔）

扫描版本的阶跃函数中需要dimshuffle和第一行的选择，以确保点积和偏置的子序列添加是尺寸兼容的。这在非扫描版本中是不需要的，因为我们正在做一个矩阵-点积

守则：

import numpy
import theano
import theano.tensor as T


def create_inputs(x_value, w_value, b_value):
    x, w = T.matrices(2)
    b = T.vector()
    x.tag.test_value = x_value
    w.tag.test_value = w_value
    b.tag.test_value = b_value
    return x, w, b


def v1(x_value, w_value, b_value):
    x, w, b = create_inputs(x_value, w_value, b_value)
    y = T.dot(x, w) + b
    f = theano.function(inputs=[x, w, b], outputs=y)
    print f(x_value, w_value, b_value)


def v2_step(x, w, b):
    return (T.dot(x.dimshuffle('x', 0), w) + b)[0]


def v2(x_value, w_value, b_value):
    x, w, b = create_inputs(x_value, w_value, b_value)
    y, _ = theano.scan(v2_step, sequences=[x], non_sequences=[w, b], strict=True)
    f = theano.function(inputs=[x, w, b], outputs=y)
    print f(x_value, w_value, b_value)


def main():
    batch_size = 2
    input_size = 3
    hidden_size = 4
    theano.config.compute_test_value = 'raise'
    numpy.random.seed(1)
    x_value = numpy.random.standard_normal(size=(batch_size, input_size))
    w_value = numpy.random.standard_normal(size=(input_size, hidden_size))
    b_value = numpy.zeros((hidden_size,))
    v1(x_value, w_value, b_value)
    v2(x_value, w_value, b_value)


main()

---

非常感谢你的回答@DanielRenshaw:你的观点澄清了我的一些疑问。@KevinGuan:我对StackOverflow政策不太熟悉：你能解释一下为什么编辑这个问题吗？删除“有人能帮我找出我做错了什么吗？”因为问答网站也是如此。每个人在这里问问题是因为他们有问题。所以你不必说我说的话。再说一遍：每个人都知道你做错了，所以你不必在问题中这样说也不需要在问题中说“谢谢”，而且你没有这样做，所以这只是一个提示。

import numpy
import theano
import theano.tensor as T


def create_inputs(x_value, w_value, b_value):
    x, w = T.matrices(2)
    b = T.vector()
    x.tag.test_value = x_value
    w.tag.test_value = w_value
    b.tag.test_value = b_value
    return x, w, b


def v1(x_value, w_value, b_value):
    x, w, b = create_inputs(x_value, w_value, b_value)
    y = T.dot(x, w) + b
    f = theano.function(inputs=[x, w, b], outputs=y)
    print f(x_value, w_value, b_value)


def v2_step(x, w, b):
    return (T.dot(x.dimshuffle('x', 0), w) + b)[0]


def v2(x_value, w_value, b_value):
    x, w, b = create_inputs(x_value, w_value, b_value)
    y, _ = theano.scan(v2_step, sequences=[x], non_sequences=[w, b], strict=True)
    f = theano.function(inputs=[x, w, b], outputs=y)
    print f(x_value, w_value, b_value)


def main():
    batch_size = 2
    input_size = 3
    hidden_size = 4
    theano.config.compute_test_value = 'raise'
    numpy.random.seed(1)
    x_value = numpy.random.standard_normal(size=(batch_size, input_size))
    w_value = numpy.random.standard_normal(size=(input_size, hidden_size))
    b_value = numpy.zeros((hidden_size,))
    v1(x_value, w_value, b_value)
    v2(x_value, w_value, b_value)


main()