相对于Theano中的subtensor定义渐变

Question

我在概念上有一个关于Theano的简单问题,但是我还没有找到答案(我会先前承认并没有真正理解共享变量在Theano中是如何工作的,尽管有很多小时的教程).

我正在尝试实施"反卷积网络"; 具体来说,我有一个3张输入(每个输入是一个2D图像)和一个4张量的代码; 对于第i个输入代码[i]表示一组代码字,它们一起编码输入i.

我一直在努力弄清楚如何在代码字上做渐变下降.以下是我的代码的相关部分:

idx = T.lscalar()
pre_loss_conv = conv2d(input = codes[idx].dimshuffle('x', 0, 1,2),
                       filters = dicts.dimshuffle('x', 0,1, 2),
                       border_mode = 'valid')
loss_conv = pre_loss_conv.reshape((pre_loss_conv.shape[2], pre_loss_conv.shape[3]))
loss_in = inputs[idx]
loss = T.sum(1./2.*(loss_in - loss_conv)**2) 

del_codes = T.grad(loss, codes[idx])
delc_fn = function([idx], del_codes)
train_codes = function([input_index], loss, updates = [
    [codes, T.set_subtensor(codes[input_index], codes[input_index] - 
                            learning_rate*del_codes[input_index])     ]])

(这里代码和dicts是共享的张量变量).Theano对此不满意,尤其是定义

del_codes = T.grad(loss, codes[idx])

我得到的错误信息是: theano.gradient.DisconnectedInputError:要求grad方法计算相对于不是成本计算图的一部分的变量的梯度,或者仅由不可微运算符使用:Subtensor {int64} .0

我猜它想要一个符号变量而不是代码[idx]; 但后来我不知道如何让一切都连接起来以获得预期的效果.我猜我需要将最后一行更改为类似的内容

learning_rate*del_codes)     ]])

有人可以给我一些关于如何正确定义这个功能的指示吗？我想我可能错过了与Theano合作的基本知识,但我不确定是什么.

提前致谢!

-Justin

更新:凯尔的建议非常好.这是我使用的具体代码

current_codes = T.tensor3('current_codes')
current_codes = codes[input_index]
pre_loss_conv = conv2d(input = current_codes.dimshuffle('x', 0, 1,2),
                       filters = dicts.dimshuffle('x', 0,1, 2),
                       border_mode = 'valid')
loss_conv = pre_loss_conv.reshape((pre_loss_conv.shape[2], pre_loss_conv.shape[3]))
loss_in = inputs[input_index]
loss = T.sum(1./2.*(loss_in - loss_conv)**2)  

del_codes = T.grad(loss, current_codes)
train_codes = function([input_index], loss)
train_dicts = theano.function([input_index], loss, updates = [[dicts, dicts - learning_rate*del_dicts]])
codes_update = ( codes, T.set_subtensor(codes[input_index], codes[input_index] - learning_rate*del_codes) )
codes_update_fn = function([input_index], updates = [codes_update])

for i in xrange(num_inputs):
     current_loss = train_codes(i)
     codes_update_fn(i)

Answer 1

总结一下这些发现:

分配grad_var = codes[idx],然后创建一个新变量,例如: subgrad = T.set_subtensor(codes[input_index], codes[input_index] - learning_rate*del_codes[input_index])

然后打电话 train_codes = function([input_index], loss, updates = [[codes, subgrad]])

似乎做了伎俩.一般来说,我尝试为尽可能多的事情制作变量.有时在单个语句中尝试做太多会产生棘手的问题,而且以后很难调试和理解!此外,在这种情况下,我认为theano需要一个共享变量,但如果在需要它的函数内创建共享变量,则会出现问题.

很高兴这对你有用!