Theano 实例：线性回归

基本模型

在用 theano 进行线性回归之前，先回顾一下 theano 的运行模式。

theano 是一个符号计算的数学库，一个基本的 theano 结构大致如下：

• 定义符号变量
• 编译用符号变量定义的函数，使它能够用这些符号进行数值计算。
• 将函数应用到数据上去

%matplotlib inline
from matplotlib import pyplot as plt
import numpy as np
import theano
from theano import tensor as T

				

					
				
				

					
				
				

					
				
				

					
				
			

Using gpu device 0: GeForce GTX 850M

				

					
				
				

					
				
				

					
				
				

					
				
			

简单的例子：$y = a \times b, a, b \in \mathbb {R}$

定义 $a, b, y$：

a = T.scalar()
b = T.scalar()
 
y = a * b

				

					
				
				

					
				
				

					
				
				

					
				
			

编译函数：

multiply = theano.function(inputs=[a, b], outputs=y)

				

					
				
				

					
				
				

					
				
				

					
				
			

将函数运用到数据上：

print multiply(3, 2) # 6
print multiply(4, 5) # 20

				

					
				
				

					
				
				

					
				
				

					
				
			

6.0
20.0

				

					
				
				

					
				
				

					
				
				

					
				
			

线性回归

回到线性回归的模型，假设我们有这样的一组数据：

train_X = np.linspace(-1, 1, 101)
train_Y = 2 * train_X + 1 + np.random.randn(train_X.size) * 0.33

				

					
				
				

					
				
				

					
				
				

					
				
			

分布如图：

plt.scatter(train_X, train_Y)
plt.show()

				

					
				
				

					
				
				

					
				
				

					
				
			

​

定义符号变量

我们使用线性回归的模型对其进行模拟：
$$\bar{y} = wx + b$$

首先我们定义 $x, y$：

X = T.scalar()
Y = T.scalar()

				

					
				
				

					
				
				

					
				
				

					
				
			

可以在定义时候直接给变量命名，也可以之后修改变量的名字：

X.name = 'x'
Y.name = 'y'

				

					
				
				

					
				
				

					
				
				

					
				
			

我们的模型为：

def model(X, w, b):
    return X * w + b

				

					
				
				

					
				
				

					
				
				

					
				
			

在这里我们希望模型得到 $\bar {y}$ 与真实的 $y$ 越接近越好，常用的平方损失函数如下：
$$C = |\bar{y}-y|^2$$

有了损失函数，我们就可以使用梯度下降法来迭代参数 $w, b$ 的值，为此，我们将 $w$ 和 $b$ 设成共享变量：

w = theano.shared(np.asarray(0., dtype=theano.config.floatX))
w.name = 'w'
b = theano.shared(np.asarray(0., dtype=theano.config.floatX))
b.name = 'b'

				

					
				
				

					
				
				

					
				
				

					
				
			

定义 $\bar y$：

Y_bar = model(X, w, b)
 
theano.pp(Y_bar)

				

					
				
				

					
				
				

					
				
				

					
				
			

'((x * HostFromGpu(w)) + HostFromGpu(b))'

				

					
				
				

					
				
				

					
				
				

					
				
			

损失函数及其梯度：

cost = T.mean(T.sqr(Y_bar - Y))
grads = T.grad(cost=cost, wrt=[w, b])

				

					
				
				

					
				
				

					
				
				

					
				
			

定义梯度下降规则：

lr = 0.01
updates = [[w, w - grads[0] * lr],
           [b, b - grads[1] * lr]]

				

					
				
				

					
				
				

					
				
				

					
				
			

编译训练模型

每运行一次，参数 $w, b$ 的值就更新一次：

train_model = theano.function(inputs=[X,Y],
                              outputs=cost,
                              updates=updates,
                              allow_input_downcast=True)

				

					
				
				

					
				
				

					
				
				

					
				
			

将训练函数应用到数据上

训练模型，迭代 100 次：

for i in xrange(100):
    for x, y in zip(train_X, train_Y):
        train_model(x, y)

				

					
				
				

					
				
				

					
				
				

					
				
			

显示结果：

print w.get_value()  # 接近 2
print b.get_value()  # 接近 1
 
plt.scatter(train_X, train_Y)
plt.plot(train_X, w.get_value() * train_X + b.get_value(), 'r')
 
plt.show()

				

					
				
				

					
				
				

					
				
				

					
				
			

1.94257426262
1.00938093662