Theano2.1.18-基础知识之theano的扩展

来自：http://deeplearning.net/software/theano/tutorial/extending_theano.html

Extending Theano

    该教程覆盖了如何使用新颖的ops来扩展theano。它主要关注哪些能够提供一个python实现的ops。而Extending Theano with a C Op 是基于c的op实现。该教程的第一部分介绍了theano的graphs，因为提供一个新颖的theano op需要对theano graphs有个基本的理解。然后在概括的介绍了定义一个op的最重要的方法。

    正如一个图文说明需要的，该教程会介绍如何编写一个简单的基于python的op，该op是基于double上执行的。同样会介绍如何实现测试来确保之前op的工作的有效性。

note：

该教程不会介绍如何编写得到输入值的视图或者对其修改的op。所以这里介绍的所有ops必须返回新的分配的内存或者重用由函数perform() 的参数output_storage 所提供的内存。 想了解这些过程可以查阅 Views and inplace operations 。

如果你的op返回针对输入的视图或者修改，却不是如介绍的那样实现的，那么theano就还是会运行，并且返回某些graphs的正确的值和其他graphs的错误结果。

强烈建议在DebugMode (Theano flag mode=DebugMode) 下运行你的测试，因为它会验证你的op行为是否正确。

note：查阅 Developer Start Guide 来了解版本框架的信息，即git 和GitHub,和开发工作流程以及如何进行有质量的贡献。

一、Theano Graphs

                                              

    Theano会将符号数学化计算表示成graph。这些graph都是二分图 （有2种类型node的图），它们由内连接的Apply 和 Variable 节点组成。 Variable 节点在graph中表示数据，例如：输入、输出或者中间值。所以一个graph的输入和输出也就是theano Variable 节点的列表. Apply 节点通过在这些变量上执行计算来生成新的值。每个 Apply 节点会连接到 Op 的一个实例，从而来表示所执行的计算。该教程详细介绍了如何编写这样一个op实例。关于图结构的更详细信息，查阅： Graph Structures 翻译。

 二、Op 结构

       op就是继承自gof.Op的某个python对象。该部分提供了一些方法的概述，可以用来实现一个新的op。。不过没有介绍你可能遇到或者需要的所有可能的情况。不过更详细的可以查阅： Op’s contract.

import theano

class MyOp(theano.Op):
    # Properties attribute
    __props__ = ()

    def make_node(self, *inputs):
        pass

    # Python implementation:
    def perform(self, node, inputs_storage, output_storage):
        pass

    # Other type of implementation
    # C implementation: [see theano web site for other functions]
    def c_code(...):
        # ...
        pass
    # Other implementations (pycuda, ...):
    def make_thunk(self, node, storage_map, _, _2):
        pass

    # optional:
    check_input = True

    def __init__(self, ...):
        pass

    def grad(self, inputs, g):
        pass

    def R_op(self, inputs, eval_points):
        pass

    def infer_shape(node, (i0_shapes, ...)):
        pass

op需要执行在gof.Op接口中定义的一些方法。对于op来说，首先需要定义方法make_node()  然后在实现该方法，例如perform(), Op.c_code() 或 make_thunk()。

 

make_node() 方法生成一个Apply节点来表示在提供的输入上op的应用。该方法需要对下面三个事情负责：

• 首先检查输入变量类型是否与当前的op兼容。如果在当前输入类型上没法应用，那么必须抛出一个异常 (例如 TypeError).
• 在theano的符号语言中，它会对*inputs上找到的变量进行操作，从而推断出符号输出变量的类型。并创建一个适合的符号类型的输出变量来作为该操作的输出。
• 它创建一个有着输入和输出变量的apply实例，然后返回该apply实例。

perform() 方法用来定义一个op的python实现。它有以下几个参数：

• node 是对一个Apply节点的引用，从前面的 Op‘s make_node() 方法获得。它通常不会用在简单的ops中，不过它包含的符号信息需要复杂的ops。
• inputs 是对数据的引用列表，会被非符号语句所操作（即，python，Numpy中的语句）。
• output_storage 是存储单元的列表，其中存储的是输出数据。每一个单元存储着op的一个输出。放入 output_storage 的数据必须匹配符号输出的类型。禁止改变output_storage中的列表的长度。函数模式可以允许output_storage 中的元素在执行过程中保持不变，或者将output_storage单元的值重设为None。而且允许对op所需要用到的一些内存进行预分配。该特性允许 perform 重用调用期间的内存，例如，假设在output_storage中预先分配了一些内存，其中有着正确的dtype，不过shape却是错的，而且存在某些stride模式。

perform() 方法必须由输入里决定。也就是说，当用在同一个输入的时候，该方法必须返回相同的输出。

gof.Op 允许使用其他的方法来定义op的实现。例如可以通过定义 Op.c_code() 来提供一个对该op的c实现。查阅 Extending Theano with a C Op 来获得关于 Op.c_code() 和其他相关的c方法更详细的介绍。注意到一个op可以提供c和pythong两种实现。

make_thunk() 方法是另一个可以用来代替 perform()的方法。它返回一个thunk.。该thunk被定义成一个0参数函数，该函数很好的封装了op在对应节点的参数上的计算过程。该方法有以下几个参数：

• node 是Apply的实例，其中会请求一个thunk。
• storage_map 是列表的字典，通过将变量映射成一个元素列表（one-element lists）来处理变量的当前的值。这个一元素列表可以作为指向值的指针，可以与其他节点和实例来共享该”指针“。
• compute_map 同样也是列表的字典。将变量映射成一元素列表来处理布尔值。如果该值是0，那么这个变量就表示还未计算，该值是无效的。如果该值是1，那么这个变量已经被计算过了，那么是有效的。如果该值是2，那么这个变量是已经被垃圾回收了，不再有效，而且无法被这次调用所请求。返回的函数必须确保计算值在compute_map中计算过。

make_thunk() 在你自己想要生成代码和编译的时候是很有用的。例如，这可以让你使用PyCUDA来编译GPU代码。

如果 make_thunk() 被一个op所定义，那么它会被theano所使用来获得该op的实现。 perform() 和 Op.c_code()会被忽略掉。

其他通过op定义的可选的方法：

 __str__() 方法对你的op提供了一个有意义的字符串表示。

__eq__() 和 __hash__() 分别定义了两个ops是否相等和计算一个op实例的哈希。它们会在优化阶段被用来融合节点，那些有着相同计算的节点（相同的输入，相同的操作）。两个ops可以通过 __eq__() 来计算是否相等，即在有着相同输入的时候是否有着相同的输出。

 __props__ 列出的属性影响着计算是如何执行的 (通常来说，它们就是你在__init__()中设置的那样). 它必须是一个元组。如果你没有任何属性，那么你应该将这个属性设置成空元组（ tuple ()）。

__props__ 能够自动的生成合适的 __eq__() 和 __hash__()。 给定从__props__生成的方法 __eq__(), 两个ops如果它们对于__props__中列出的所有属性都有有着相同的值，那么这两个ops就是相等的。给定从__props__ 生成的方法 __hash__() ,两个ops如果对于 __props__中列出的所有属性都有着相同的值，那么这两个ops有着相同的hash。 __props__ 同样会对你的op生成一个合适的 __str__() 。这需要theano的版本为 September 1st, 2014 or version 0.7.

 infer_shape() 方法允许在没有实际计算输出的情况下，推断op输出变量的shape。它可以作为输入 node（一个对Apply节点的引用)和theano符号变量的列表 (i0_shape, i1_shape, ...)(op输入变量的shape)。 infer_shape() 返回一个列表，其中每个元素都是一个元组，用来标识一个输出的shape。这在当你只需要输出的shape而无需计算实际的输出的时候是很有用的，例如在优化的时候。

 grad() 方法适用于你想要对一些包含你op的表达式的损失函数进行微分的时候。在这个方法中梯度可以具体的符号化。它有两个参数inputs 和 output_gradients ，这两个都是符号的theano变量的列表，必须被theano符号化语言所操作。该grad方法必须返回一个列表，其中对应每个输入都有一个变量。每个返回的变量表示关于输入的梯度，而该梯度是基于关于每个输出的符号化梯度上计算得到的（个人：这句话估计理解有误）。如果输出不是关于一个输入的微分，那么该方法就会被定义成针对这个输入返回一个NullType类型的变量。同样的，如果你没有对某些输入实现grad计算，你需要返回关于这个输入的一个NullType类型的变量。查阅 grad()来得到更详细的说明。

 R_op() 方法当你想要让 theano.tensor.Rop 和你的op一起工作的时候是需要使用的。该函数实现了op表示的函数的R-操作。假设函数为 f ，输入为 x 。使用R-操作，即计算f 的jacobian然后通过v 与其右乘，表达式即： .

可选的布尔 check_input 属性用来指定你是否想要在你的op中使用这个类型来在c_code中检查它们的输入。它可以用来加速计算，减少开销（特别是在标量上）和减少生成的c文件的数量。

三、Op 例子

import theano  
  
class DoubleOp(theano.Op):  
    __props__ = ()  
  
    def make_node(self, x):  
        # check that the theano version has support for __props__  
        assert hasattr(self, '_props')  
        x = theano.tensor.as_tensor_variable(x)  
        return theano.Apply(self, [x], [x.type()])  
  
    def perform(self, node, inputs, output_storage):  
        x = inputs[0]  
        z = output_storage[0]  
        z[0] = x * 2  
  
    def infer_shape(self, node, i0_shapes):  
        return i0_shapes  
  
    def grad(self, inputs, output_grads):  
        return [output_grads[0] * 2]  
  
    def R_op(self, inputs, eval_points):  
        # R_op can receive None as eval_points.  
        # That mean there is no diferientiable path through that input  
        # If this imply that you cannot compute some outputs,  
        # return None for those.  
        if eval_points[0] is None:  
            return eval_points  
        return self.grad(inputs, eval_points)

可以按照如下形式来测试： 

x = theano.tensor.matrix()  
f = theano.function([x], DoubleOp()(x))  
import numpy  
inp = numpy.random.rand(5, 4)  
out = f(inp)  
assert numpy.allclose(inp * 2, out)  
print inp  
print out

 四、如何进行测试

      Theano有很多函数来简化测试。这些可以用来测试 infer_shape, grad 和 R_op 方法。将下面的代码放入一个文件中，然后用theano-nose

程序来执行该文件。

4.1 基本的测试

     基本的测试就是通过使用op，然后检查返回的是否正确。如果你检测到一个错误，那么你就需要抛出一个异常。你可以使用关键字assert来自动的抛出一个AssertionError。

from theano.tests import unittest_tools as utt  
from theano import config  
class test_Double(utt.InferShapeTester):  
    def setUp(self):  
        super(test_Double, self).setUp()  
        self.op_class = DoubleOp  
        self.op = DoubleOp()  
  
    def test_basic(self):  
        x = theano.tensor.matrix()  
        f = theano.function([x], self.op(x))  
        inp = numpy.asarray(numpy.random.rand(5, 4), dtype=config.floatX)  
        out = f(inp)  
        # Compare the result computed to the expected value.  
        utt.assert_allclose(inp * 2, out)

    我们调用 utt.assert_allclose(expected_value, value) 来对比NumPy ndarray。这抛出一个有着更多信息的错误消息。同样的，这个默认的容忍可以通过theano flags config.tensor.cmp_sloppy 来改变，其值为0, 1 和 2. 默认的值会有着最严格的比较，而1 和2 就比较不那么严格了。

4.2 测试infer_shape

     当一个类继承自 InferShapeTester 类，那么就可以通过 self._compile_and_check 来测试op的 infer_shape方法。在当只需要输出的shape而无需计算实际的输出的时侯，用来测试该op在graph中的优化情况。另外，它通过优化后的graph计算得到的shape与实际计算的输出的shape进行对比来检查当前的shape是否正确。      self._compile_and_check 会编译一个theano函数。它会将输入和输出的theano变量的列表作为参数（正如theano.function那样），然后将真实值传递给编译后的函数。 它同样会将op类作为一个参数，来保证在优化后的shape graph中没有实例出现。

    如果有错误，那么该函数抛出一个异常。如果你想要看错误的时候的行为，可以使用一个非正常的 infer_shape.

    在测试的时候，如果在不同的维度上shape的值相同 (例如，一个方阵或者有着shape为 (n, n, n),或(m, n, m)的tensor3 )，那么就没法检测。例如，如果 infer_shape 使用矩阵的 width来作为它的height，那么在方阵的情况下就没法检测是否出错了。这就是为什么 self._compile_and_check 在这种情况下会输出一个警告的原因。如果你的操作只在这种矩阵下工作，那么就可以通过 warn=False 参数来禁用该警告。

from theano.tests import unittest_tools as utt  
from theano import config  
class test_Double(utt.InferShapeTester):  
    # [...] as previous tests.  
    def test_infer_shape(self):  
        x = theano.tensor.matrix()  
        self._compile_and_check([x],  # theano.function inputs  
                                [self.op(x)],  # theano.function outputs  
                                # Always use not square matrix!  
                                # inputs data  
                                [numpy.asarray(numpy.random.rand(5, 4),  
                                               dtype=config.floatX)],  
                                # Op that should be removed from the graph.  
                                self.op_class)

4.3 测试梯度

    函数 verify_grad 用来验证一个op或者theano graph的梯度。它通过对比分析梯度 (通过符号计算得到的)梯度和数值梯度 (通过有限的微分方法得到的)。

    如果出错了，那么该函数抛出一个异常。如果你想要看出错的情况，你可以执行一个错误的梯度 (例如，移除前面的2)。

def test_grad(self):  
    theano.tests.unittest_tools.verify_grad(self.op,  
                                            [numpy.random.rand(5, 7, 2)])

4.4 测试Rop

     类 RopLop_checker 定义了函数RopLop_checker.check_mat_rop_lop()，RopLop_checker.check_rop_lop() 和RopLop_checker.check_nondiff_rop(). 这些函数可以用来测试一个具体的op的Rop方法的实现。

例如，为了验证DoubleOp的Rop方法，你可以如下来测试：

import numpy  
import theano.tests  
from theano.tests.test_rop import RopLop_checker  
class test_DoubleRop(RopLop_checker):  
    def setUp(self):  
        super(test_DoubleRop, self).setUp()  
    def test_double_rop(self):  
        self.check_rop_lop(DoubleRop()(self.x), self.in_shape)

4.5 测试 GPU Ops

    在GPU上执行的Ops应该继承自 theano.sandbox.cuda.GpuOp 而不是 theano.Op。这可以给theano区分它们的机会。目前，我们使用这个在GPU上的和约间代码来测试NVIDIA驱动是否正确工作。

五、运行你的测试

   为了执行你的测试程序，你需要选择下面的某种方法 ：

5.1 theano-nose

    选择要进行测试的方法就是运行 theano-nose. 在常规的theano安装中，后面的参数会读取操作系统的path，然后直接访问其中的文件夹。而且它也可以在Theano/bin文件夹中被访问。对应于不同的目的，可以使用下面不同的命令： 

• theano-nose --theano: 运行任何在theano的path上找到的测试。
• theano-nose folder_name: 运行任何在文件夹folder_name内找到的测试。
• theano-nose test_file.py: 运行任何在文件test_file.py内的测试。

下面的命令对于开发者来说特别有用，因为它们可以针对具体的类或者具体的测试被调用

• theano-nose test_file.py:test_DoubleRop: 运行在类 test_DoubleRop中的测试。
• theano-nose test_file.py:test_DoubleRop.test_double_op: 只运行在类test_DoubleRop中的测试test_double_op 。

针对于 theano-nose 的用法和功能的详细介绍，可以使用带有参数为 --help (-h)的命令。（个人：在windows下运行theano-nose会显示找不到该命令，在ubuntu下没问题，即该教程的所有命令其实都是基于linux的，而非windows的。）

5.2 nosetests

    命令 nosetests 也是很有用的。虽然它缺少和 theano-nose 提供的信息， nosetests 的用法和theano-nose 相似，可以测试任何在python的路径上的文件夹：

nosetests [suffix similar to the above].

更多有关 nosetests 的资料，可查阅： nosetests.

5.3 In-file

   可以增加一块代码在文件的最后，然后运行该文件。在这个例子中，在类test_double_op中的测试 test_DoubleRop 会运行的。

if __name__ == '__main__':  
   t = test_DoubleRop("test_double_rop")  
   t.setUp()  
   t.test_double_rop()

我们建议如果在运行一个文件的时候，最好运行那个文件中所有的测试，这可以通过在测试文件的最后加上如下的代码：

if __name__ == '__main__':  
    unittest.main()

六、练习

    运行上面的 DoubleOp e例子的代码。

   修改并执行： x * y.

    修改并执行： x + y and x - y.

    你可以省略Rop函数。 试着实现上面的测试过程。

(注意到当前的theano的逐元素风格的优化只能用在涉及到单一输出的情况下。所以，为了解决这个问题，需要在代码中对这两个操作进行联合的显式优化。)

七、as_op

    as_op是一个pythong修饰符，用来将一个python函数转换成一个基础theano op，该op会在执行的时候调用所提供的函数。

    不推荐用该方法来建立一个op，不过这却是一个快速实现的方法。

    它有一个可选的 infer_shape() 参数，该参数必须有如下的形式：

def infer_shape(node, input_shapes):  
     # ...  
     return output_shapes

• input_shapes 和 output_shapes 是元组列表，用来表示对应的输入/输出的shape。

note：不提供 infer_shape方法是为了防止对这个op的相关的shape优化 。例如， your_op(inputs, ...).shape 会需要执行该op从而得到shape。

note：没有grad被定义，也就是不能对包含该op的路径中的函数进行微分。

note：它将python函数转换成可调用的对象，该对象的输入是已经声明过的theano变量。

 7.1 as_op 例子

 

import theano  
import numpy  
from theano.compile.ops import as_op  
  
def infer_shape_numpy_dot(node, input_shapes):  
    ashp, bshp = input_shapes  
    return [ashp[:-1] + bshp[-1:]]  
 
@as_op(itypes=[theano.tensor.fmatrix, theano.tensor.fmatrix],  
       otypes=[theano.tensor.fmatrix], infer_shape=infer_shape_numpy_dot)  
def numpy_dot(a, b):  
   return numpy.dot(a, b)

如下进行测试： 

x = theano.tensor.fmatrix()  
y = theano.tensor.fmatrix()  
f = function([x, y], numpy_dot(x, y))  
inp1 = numpy.random.rand(5, 4)  
inp2 = numpy.random.rand(4, 7)  
out = f(inp1, inp2)

7.2 练习

    运行上的numpy_dot 例子的代码。

    修改并执行： numpy.add 和 numpy.subtract.

    修改并执行： x + y和 x - y.

八、测试中的随机数

    测试错误可重复在实际中是非常具有说服力的，为了让测试可以重复，就需要得到相同的随机树。你可以通过对Numpy的随机数生成器传入相同的种子来得到。

    更方便的方法就是使用类 InferShapeTester 和 RopLop_checker 。如果你实现了自己的 setUp 函数，别忘了调用其父类的setUp函数。

更多信息请查阅： Using Random Values in Test Cases.

答案（Solution） 

#!/usr/bin/env python  
# Theano tutorial  
# Solution to Exercise in section 'Extending Theano'  
import unittest  
  
import theano  
  
  
# 1. Op returns x * y  
  
class ProdOp(theano.Op):  
    def __eq__(self, other):  
        return type(self) == type(other)  
  
    def __hash__(self):  
        return hash(type(self))  
  
    def __str__(self):  
        return self.__class__.__name__  
  
    def make_node(self, x, y):  
        x = theano.tensor.as_tensor_variable(x)  
        y = theano.tensor.as_tensor_variable(y)  
        outdim = x.ndim  
        output = (theano.tensor.TensorType  
                  (dtype=theano.scalar.upcast(x.dtype, y.dtype),  
                      broadcastable=[False] * outdim)())  
        return theano.Apply(self, inputs=[x, y], outputs=[output])  
  
    def perform(self, node, inputs, output_storage):  
        x, y = inputs  
        z = output_storage[0]  
        z[0] = x * y  
  
    def infer_shape(self, node, i0_shapes):  
        return [i0_shapes[0]]  
  
    def grad(self, inputs, output_grads):  
        return [output_grads[0] * inputs[1], output_grads[0] * inputs[0]]  
  
  
# 2. Op returns x + y and x - y  
  
class SumDiffOp(theano.Op):  
    def __eq__(self, other):  
        return type(self) == type(other)  
  
    def __hash__(self):  
        return hash(type(self))  
  
    def __str__(self):  
        return self.__class__.__name__  
  
    def make_node(self, x, y):  
        x = theano.tensor.as_tensor_variable(x)  
        y = theano.tensor.as_tensor_variable(y)  
        outdim = x.ndim  
        output1 = (theano.tensor.TensorType  
                  (dtype=theano.scalar.upcast(x.dtype, y.dtype),  
                      broadcastable=[False] * outdim)())  
        output2 = (theano.tensor.TensorType  
                  (dtype=theano.scalar.upcast(x.dtype, y.dtype),  
                      broadcastable=[False] * outdim)())  
        return theano.Apply(self, inputs=[x, y], outputs=[output1, output2])  
  
    def perform(self, node, inputs, output_storage):  
        x, y = inputs  
        z1, z2 = output_storage  
        z1[0] = x + y  
        z2[0] = x - y  
  
    def infer_shape(self, node, i0_shapes):  
        return [i0_shapes[0], i0_shapes[0]]  
  
    def grad(self, inputs, output_grads):  
        og1, og2 = output_grads  
        if og1 is None:  
            og1 = theano.tensor.zeros_like(og2)  
        if og2 is None:  
            og2 = theano.tensor.zeros_like(og1)  
        return [og1 + og2, og1 - og2]  
  
  
# 3. Testing apparatus  
  
import numpy  
from theano.gof import Op, Apply  
from theano import tensor, function, printing  
from theano.tests import unittest_tools as utt  
  
  
class TestProdOp(utt.InferShapeTester):  
  
    rng = numpy.random.RandomState(43)  
  
    def setUp(self):  
        super(TestProdOp, self).setUp()  
        self.op_class = ProdOp  # case 1  
  
    def test_perform(self):  
        x = theano.tensor.matrix()  
        y = theano.tensor.matrix()  
        f = theano.function([x, y], self.op_class()(x, y))  
        x_val = numpy.random.rand(5, 4)  
        y_val = numpy.random.rand(5, 4)  
        out = f(x_val, y_val)  
        assert numpy.allclose(x_val * y_val, out)  
  
    def test_gradient(self):  
        utt.verify_grad(self.op_class(), [numpy.random.rand(5, 4),  
                                numpy.random.rand(5, 4)],  
                        n_tests=1, rng=TestProdOp.rng)  
  
    def test_infer_shape(self):  
        x = tensor.dmatrix()  
        y = tensor.dmatrix()  
  
        self._compile_and_check([x, y], [self.op_class()(x, y)],  
                                [numpy.random.rand(5, 6),  
                                 numpy.random.rand(5, 6)],  
                                self.op_class)  
  
  
class TestSumDiffOp(utt.InferShapeTester):  
  
    rng = numpy.random.RandomState(43)  
  
    def setUp(self):  
        super(TestSumDiffOp, self).setUp()  
        self.op_class = SumDiffOp  
  
    def test_perform(self):  
        x = theano.tensor.matrix()  
        y = theano.tensor.matrix()  
        f = theano.function([x, y], self.op_class()(x, y))  
        x_val = numpy.random.rand(5, 4)  
        y_val = numpy.random.rand(5, 4)  
        out = f(x_val, y_val)  
        assert numpy.allclose([x_val + y_val, x_val - y_val], out)  
  
    def test_gradient(self):  
        def output_0(x, y):  
            return self.op_class()(x, y)[0]  
  
        def output_1(x, y):  
            return self.op_class()(x, y)[1]  
  
        utt.verify_grad(output_0, [numpy.random.rand(5, 4),  
                                numpy.random.rand(5, 4)],  
                        n_tests=1, rng=TestSumDiffOp.rng)  
        utt.verify_grad(output_1, [numpy.random.rand(5, 4),  
                                numpy.random.rand(5, 4)],  
                        n_tests=1, rng=TestSumDiffOp.rng)  
  
    def test_infer_shape(self):  
        x = tensor.dmatrix()  
        y = tensor.dmatrix()  
  
        # adapt the choice of the next instruction to the op under test  
  
        self._compile_and_check([x, y], self.op_class()(x, y),  
                                [numpy.random.rand(5, 6),  
                                 numpy.random.rand(5, 6)],  
                                self.op_class)  
  
  
# as_op exercice  
import theano  
import numpy  
from theano.compile.ops import as_op  
  
  
def infer_shape_numpy_dot(node, input_shapes):  
    ashp, bshp = input_shapes  
    return [ashp[:-1] + bshp[-1:]]  
 
 
@as_op(itypes=[theano.tensor.fmatrix, theano.tensor.fmatrix],  
       otypes=[theano.tensor.fmatrix], infer_shape=infer_shape_numpy_dot)  
def numpy_add(a, b):  
    return numpy.add(a, b)  
  
  
def infer_shape_numpy_add_sub(node, input_shapes):  
    ashp, bshp = input_shapes  
    # Both inputs should have that same shape, so we just return one of them.  
    return [ashp[0]]  
 
 
@as_op(itypes=[theano.tensor.fmatrix, theano.tensor.fmatrix],  
       otypes=[theano.tensor.fmatrix], infer_shape=infer_shape_numpy_add_sub)  
def numpy_add(a, b):  
    return numpy.add(a, b)  
 
 
@as_op(itypes=[theano.tensor.fmatrix, theano.tensor.fmatrix],  
       otypes=[theano.tensor.fmatrix], infer_shape=infer_shape_numpy_add_sub)  
def numpy_sub(a, b):  
    return numpy.sub(a, b)  
  
  
if __name__ == "__main__":  
    unittest.main()  

View Code

九、文档

Documentation Documentation AKA Meta-Documentation中更详细的介绍了如何生成文档。

下面这个例子介绍如何将docstring加到一个类中： 

import theano  
  
class DoubleOp(theano.Op):  
""" Double each element of a tensor. 
 
:param x: input tensor. 
 
:return: a tensor of the same shape and dtype as the input with all 
    values doubled. 
 
:note: 
    this is a test note 
 
:seealso: 
    You can use the elemwise op to replace this example. 
    Just execute `x * 2` with x being a Theano variable. 
 
.. versionadded:: 0.6 
"""

下面就是在库文档中的说明形式：

class theano.misc.doubleop.DoubleOp(use_c_code='/usr/bin/g++')

Double each element of a tensor.

Parameters:	x – input tensor.
Returns:	a tensor of the same shape and dtype as the input with all values doubled.
Note :	this is a test note
Seealso :	You can use the elemwise op to replace this example. Just execute x * 2 with x being a Theano variable.

在0.6版本中新加入的特性。

十、最后的笔记

    这部分更深的讨论可以查阅高级教程： Extending Theano.

 Other ops 介绍了下面这几个特殊情况：

• Scalar/Elemwise/Reduction Ops
• SciPy Ops
• Sparse Ops
• Random ops
• OpenMP Ops
• Numba Ops

参考资料：

[1]官网：http://deeplearning.net/software/theano/tutorial/extending_theano.html