我正在与theano一起迈出第一步,但我想不出如何解决这个实际上很容易的问题.

我有一个3 * 4 * 2张量,如下所示：

[1 1] | [2 2] | [3 3]
[1 1] | [2 2] | [3 3]
[0 0] | [2 2] | [3 3]
[9 9] | [0 0] | [3 3]

所以我有N = 3个序列,每个序列的长度为L = 4,其元素为维d = 2的向量.实际上,序列的长度可以不同,但​​是我可以考虑用[0 0]向量填充它们,如上所示.

我想做的是,首先扫描张量的第一个轴,并将列表中的所有向量求和,直到第一个[0 0]向量为止-这就是为什么我在[]末尾添加[9 9]第一个张量切片,以便检查总和退出条件[1].我应该以[[2 2],[6 6],[12 12]]结尾.我尝试了很多方法来解决这个问题,在我看来这只是一个嵌套循环问题…但是总是会出现一些奇怪的错误[2].

谢谢,
朱利奥

–
[1]：实际问题是为NLP目的训练递归神经网络,其中N为批处理的维度,L为批处理中句子的最大长度,d为每个单词表示的维度.我忽略了这个问题,以便可以专注于最简单的编码方面.
[2]我忽略了失败的历史,也许以后可以添加.

解决方法:

如果序列始终填充为零,则可以沿目标轴求和,因为填充区域不会改变总和.但是,如果填充区域可能包含非零值,则有两种方法.

>使用扫描.这很慢,应尽可能避免.实际上可以避免,因为,
>创建一个二进制蒙版,并增加填充区域.

下面的代码说明了这三种方法.对于允许非零填充区域(v2和v3)的两种方法,计算需要额外的输入：一个向量,给出批中序列的长度.

import numpy
import theano
import theano.tensor as tt


def v1():
    # NOTE: [9, 9] element changed to [0, 0] 
    # since zero padding must be used for
    # this method
    x_data = [[[1, 1], [1, 1], [0, 0], [0, 0]],
              [[2, 2], [2, 2], [2, 2], [0, 0]],
              [[3, 3], [3, 3], [3, 3], [3, 3]]]
    x = tt.tensor3()
    x.tag.test_value = x_data
    y = x.sum(axis=1)
    f = theano.function([x], outputs=y)
    print f(x_data)


def v2_step(i_t, s_tm1, x, l):
    in_sequence = tt.lt(i_t, l).dimshuffle(0, 'x')
    s_t = s_tm1 + tt.switch(in_sequence, x[i_t], 0)
    return s_t


def v2():
    x_data = [[[1, 1], [1, 1], [0, 0], [9, 9]],
              [[2, 2], [2, 2], [2, 2], [0, 0]],
              [[3, 3], [3, 3], [3, 3], [3, 3]]]
    l_data = [2, 3, 4]
    x = tt.tensor3()
    x.tag.test_value = x_data
    l = tt.lvector()
    l.tag.test_value = l_data
    # Must dimshuffle first because scan can only iterate over first (0'th) axis.
    x_hat = x.dimshuffle(1, 0, 2)
    y, _ = theano.scan(v2_step, sequences=[tt.arange(x_hat.shape[0])],
                       outputs_info=[tt.zeros_like(x_hat[0])],
                       non_sequences=[x_hat, l], strict=True)
    f = theano.function([x, l], outputs=y[-1])
    print f(x_data, l_data)


def v3():
    x_data = [[[1, 1], [1, 1], [0, 0], [9, 9]],
              [[2, 2], [2, 2], [2, 2], [0, 0]],
              [[3, 3], [3, 3], [3, 3], [3, 3]]]
    l_data = [2, 3, 4]
    x = tt.tensor3()
    x.tag.test_value = x_data
    l = tt.lvector()
    l.tag.test_value = l_data
    indexes = tt.arange(x.shape[1]).dimshuffle('x', 0)
    mask = tt.lt(indexes, l.dimshuffle(0, 'x')).dimshuffle(0, 1, 'x')
    y = (mask * x).sum(axis=1)
    f = theano.function([x, l], outputs=y)
    print f(x_data, l_data)


def main():
    theano.config.compute_test_value = 'raise'
    v1()
    v2()
    v3()


main()

通常,如果您的步进功能取决于上一步的输出,则需要使用扫描.

如果原则上每个步骤/迭代都可以同时执行(即它们根本不依赖彼此),那么通常有一种更有效的方法可以不使用扫描