[英]Random numbers error in scan, theano.gof.fg.MissingInputError
[英]Using Random Numbers in Theano
我是theano新手。
有人可以解釋下面的代碼嗎?
from theano.tensor.shared_randomstreams import RandomStreams
from theano import function
srng = RandomStreams(seed=234)
rv_u = srng.uniform((2,2))
rv_n = srng.normal((2,2))
f = function([], rv_u)
g = function([], rv_n, no_default_updates=True) #Not updating rv_n.rng
nearly_zeros = function([], rv_u + rv_u - 2 * rv_u)
state_after_v0 = rv_u.rng.get_value().get_state()
nearly_zeros() # this affects rv_u's generator
v1 = f()
rng = rv_u.rng.get_value(borrow=True)
rng.set_state(state_after_v0)
rv_u.rng.set_value(rng, borrow=True)
v2 = f() # v2 != v1
v3 = f() # v3 == v1
Q1。 near_zeros()如何影響rv_u的生成器?
Q2。 為什么?
v2 != v1
v3 == v1
Q1
看起來rv_u的生成器只生成1“值”(即2x2矩陣)。 如果使用theano.printing.debugprint
打印函數圖,則可以看到此信息。 作為參考,這是我得到的:
>>> theano.printing.debugprint(nearly_zeros)
Elemwise{Composite{((i0 + i0) - (i1 * i0))}}[(0, 0)] [@A] '' 1
|RandomFunction{uniform}.1 [@B] '' 0
| |<RandomStateType> [@C]
| |TensorConstant{(2,) of 2} [@D]
| |TensorConstant{0.0} [@E]
| |TensorConstant{1.0} [@F]
|TensorConstant{(1, 1) of 2.0} [@G]
RandomFunction{uniform}.0 [@B] '' 0
這意味着兩個函數(almost_zero和f)都只從rv_u中獲取1個值,這就是原因
v3 == v1
Q2
Theano主要是一個象征性的數學包。 您定義符號變量之間的關系,Theano計算出如何評估這些關系。
因此,您可以將rv_u視為表示單個2x2矩陣的變量,而不是每次“調用”時生成新的2x2矩陣的rng。 鑒於該視圖,Theano只需要調用底層rng一次即可獲得變量rv_u的值。
當nearly_zeros()
,它使用隨機流的當前rng狀態返回一個新的rv_u
並遞增狀態,就像它對函數f
。 查看rv_u
發生了什么的最簡單方法是將其作為輸出添加到nearly_zeros()
函數中。 雖然rv_u
存在三次,但rv_u
的值rv_u
隨機流中采樣一次,因此nearly_zero
確實幾乎為零(直到浮點量化誤差)。
nearly_zeros = function([], [rv_u, rv_u + rv_u - 2 * rv_u])
f() # The return value will be different from the rv_u in the list above
如果您不打算增加它,可以像對g
一樣指定no_default_updates=True
。
nearly_zeros = function([], [rv_u, rv_u + rv_u - 2 * rv_u],
no_default_updates=True)
f() # The return value will be equal to the rv_u in the list above
這里的“為什么”有點含糊不清,所以我提出了兩種可能性。
nearly_zeros()
以這種方式影響rv_u
?
rv_u
是一個統一的srng對象,它使用一個共享變量,每次請求時都會遞增,除非另有說明(通過no_defalut_updates
參數)。無論f
或nearly_zero
恰好是請求值的函數,都是如此。 rv_u
。
from theano.tensor.shared_randomstreams import RandomStreams
from theano import function
srng = RandomStreams(seed=234)
rv_u = srng.uniform((2,2))
rv_n = srng.normal((2,2))
f = function([], rv_u)
g = function([], rv_n, no_default_updates=True) #Not updating rv_n.rng
nearly_zeros = function([], [rv_u, rv_u + rv_u - 2 * rv_u]) # Give rv_u, too
state_after_v0 = rv_u.rng.get_value().get_state()
nearly_zeros() # this affects rv_u's generator
v1 = f()
rng = rv_u.rng.get_value(borrow=True)
rng.set_state(state_after_v0)
rv_u.rng.set_value(rng, borrow=True)
v2 = f() # v2 != v1, but equal to rv_u used by nearly_zeros
v3 = f() # v3 == v1
這是因為您的代碼在定義nearly_zeros
但在調用之前保存狀態。 設置狀態時,返回的第一個值是nearly_zeros
使用的值(等於v2
。)請求的下一個值將等於v3
的值。 以下是幾乎完全相同的代碼副本,它應該說明:
from theano.tensor.shared_randomstreams import RandomStreams from theano import function srng = RandomStreams(seed=234) rv_u = srng.uniform((2,2)) rv_n = srng.normal((2,2)) f = function([], rv_u) g = function([], rv_n, no_default_updates=True) #Not updating rv_n.rng nearly_zeros = function([], [rv_u, rv_u + rv_u - 2 * rv_u]) # Give rv_u, too state_after_v0 = rv_u.rng.get_value().get_state() nearly_zeros() # this affects rv_u's generator v1 = f() rng = rv_u.rng.get_value(borrow=True) rng.set_state(state_after_v0) rv_u.rng.set_value(rng, borrow=True) v2 = f() # v2 != v1, but equal to rv_u used by nearly_zeros v3 = f() # v3 == v1
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.