在Theano中模拟布尔模板

Question

我正在向theano移植一个numpy表达式。这个表达式给出了每个类的真实肯定预测的数量，给定了地面真值类别的一个热点矩阵Y以及预测类别的一个热点矩阵Y_hat。该numpy代码是：

import numpy as np 

y = np.array([1, 0, 1, 2, 2]) 
y_hat = np.array([2, 0, 1, 1, 0]) 

Y = np.zeros(shape=(len(y), len(np.unique(y)))) 
Y_hat = np.zeros_like(Y) 

rows = np.arange(len(y)) 

Y[rows, y] = 1 
Y_hat[rows, y_hat] = 1 

((Y_hat == Y) & (Y == 1)).sum(axis=0) 

最后一个表达式产生array([1, 1, 0])。我已经使用theano的非零尝试：

from theano import shared 
Yt = shared(Y) 
Yt_hat = shared(Y_hat) 
Yt_hat[Yt.nonzero()].eval() 

的EVAL结果array([ 0., 1., 1., 0., 0.])，这是一个0-1面具Yt_hat行若预测是正确的。有关如何完成这项工作的任何建议？对于不同的方式呢？谢谢。

Answer 1

下面是三个变体，演示如何在Theano中重新实现部分代码。

请注意，Theano的Unique操作不支持在GPU上运行，也不支持渐变。因此版本3很多用处不大。第2版​​提供了一种解决方法：计算Theano以外的唯一值并将它们传入。版本1只是您的numpy代码的最后一行的Theano实现。

要解决您的特定问题：不需要使用nonzero;在这种情况下，Theano的索引工作就像在numpy中工作一样。也许你在y和Y之间感到困惑？ （常见的Python风格是为所有变量和参数名称使用小写）。

import numpy as np 
import theano 
import theano.tensor as tt 
import theano.tensor.extra_ops 


def numpy_ver(y, y_hat): 
    Y = np.zeros(shape=(len(y), len(np.unique(y))), dtype=np.int64) 
    Y_hat = np.zeros_like(Y, dtype=np.int64) 
    rows = np.arange(len(y), dtype=np.int64) 
    Y[rows, y] = 1 
    Y_hat[rows, y_hat] = 1 
    return ((Y_hat == Y) & (Y == 1)).sum(axis=0), Y, Y_hat 


def compile_theano_ver1(): 
    Y = tt.matrix(dtype='int64') 
    Y_hat = tt.matrix(dtype='int64') 
    z = (tt.eq(Y_hat, Y) & tt.eq(Y, 1)).sum(axis=0) 
    return theano.function([Y, Y_hat], outputs=z) 


def compile_theano_ver2(): 
    y = tt.vector(dtype='int64') 
    y_hat = tt.vector(dtype='int64') 
    y_uniq = tt.vector(dtype='int64') 
    Y = tt.zeros(shape=(y.shape[0], y_uniq.shape[0]), dtype='int64') 
    Y_hat = tt.zeros_like(Y, dtype='int64') 
    rows = tt.arange(y.shape[0], dtype='int64') 
    Y = tt.set_subtensor(Y[rows, y], 1) 
    Y_hat = tt.set_subtensor(Y_hat[rows, y_hat], 1) 
    z = (tt.eq(Y_hat, Y) & tt.eq(Y, 1)).sum(axis=0) 
    return theano.function([y, y_hat, y_uniq], outputs=z) 


def compile_theano_ver3(): 
    y = tt.vector(dtype='int64') 
    y_hat = tt.vector(dtype='int64') 
    y_uniq = tt.extra_ops.Unique()(y) 
    Y = tt.zeros(shape=(y.shape[0], y_uniq.shape[0]), dtype='int64') 
    Y_hat = tt.zeros_like(Y, dtype='int64') 
    rows = tt.arange(y.shape[0], dtype='int64') 
    Y = tt.set_subtensor(Y[rows, y], 1) 
    Y_hat = tt.set_subtensor(Y_hat[rows, y_hat], 1) 
    z = (tt.eq(Y_hat, Y) & tt.eq(Y, 1)).sum(axis=0) 
    return theano.function([y, y_hat], outputs=z) 


def main(): 
    y = np.array([1, 0, 1, 2, 2], dtype=np.int64) 
    y_hat = np.array([2, 0, 1, 1, 0], dtype=np.int64) 
    y_uniq = np.unique(y) 
    result, Y, Y_hat = numpy_ver(y, y_hat) 
    print result 
    theano_ver1 = compile_theano_ver1() 
    print theano_ver1(Y, Y_hat) 
    theano_ver2 = compile_theano_ver2() 
    print theano_ver2(y, y_hat, y_uniq) 
    theano_ver3 = compile_theano_ver3() 
    print theano_ver3(y, y_hat) 


main()