Theano With Python2.7: SGD 多次损失

Theano With Python2.7: SGD with multiple losses

在 Theano 受到表扬后,我想我会用一种特定形式的 SGD 迈出我的第一步。我有一个我想优化的参数向量 theta 我的损失函数 return 一个包含矩阵 A 和 B 之间的平方损失的列和的向量。每个元素都是特定维度的独立损失使用广播的 theta。 Theta 应该更新,以便下一次迭代每个维度的损失更低。我选择这个是因为数据(X,Y)是这样给出的。

现在教程说 T.grad() 应该用于获取更新的梯度。但是 T.grad 不允许我计算非标量的梯度。教程 (http://deeplearning.net/software/theano/tutorial/gradients.html) 说 'Scalar costs only can be directly handled by grad. Arrays are handled through repeated applications.' 所以我尝试(不可否认是一个丑陋的尝试)计算每个损失的梯度。如何计算多重损失的梯度?是否有一种干净的最佳实践方法?那是正确的吗?还有什么我应该考虑的吗?

马丁

import numpy
from theano import tensor as T
from theano import function
from theano import shared

alpha = 0.00001
theta = shared(numpy.random.rand(10), name='theta')
X = T.dmatrix(name='X')
Y = T.dmatrix(name='Y')
losses = T.sqr(theta * X - Y).sum(axis=0)

这就是它变得奇怪的地方: 因为 T.grad(loss, theta) 抛出 TypeError: cost must be a scalar。所以我得到了这个丑陋的尝试:

d_losses = [T.grad(losses[i], theta) for i in xrange(len(theta.get_value()))] 
updates = [(theta, theta - numpy.array(alpha) * d_losses)]

当我想编译它时,我得到这个:

    >>> f = function(inputs=[A], outputs=loss, updates=updates)
    Traceback (most recent call last):
    File "<stdin>", line 1, in <module>
    File "/usr/local/lib/python2.7/dist-packages/theano/compile/function.py", line 266, in function
    profile=profile)
  File "/usr/local/lib/python2.7/dist-packages/theano/compile/pfunc.py", line 489, in pfunc
    no_default_updates=no_default_updates)
  File "/usr/local/lib/python2.7/dist-packages/theano/compile/pfunc.py", line 202, in rebuild_collect_shared
    update_val = store_into.type.filter_variable(update_val)
  File "/usr/local/lib/python2.7/dist-packages/theano/tensor/type.py", line 206, in filter_variable
    other = self.Constant(type=self, data=other)
  File "/usr/local/lib/python2.7/dist-packages/theano/tensor/var.py", line 732, in __init__
    Constant.__init__(self, type, data, name)
  File "/usr/local/lib/python2.7/dist-packages/theano/gof/graph.py", line 443, in __init__
    self.data = type.filter(data)
  File "/usr/local/lib/python2.7/dist-packages/theano/tensor/type.py", line 115, in filter
    up_dtype = scal.upcast(self.dtype, data.dtype)
  File "/usr/local/lib/python2.7/dist-packages/theano/scalar/basic.py", line 67, in upcast
    rval = str(z.dtype)
AttributeError: 'float' object has no attribute 'dtype'

正如 Mikael Rousson 在评论中指出的那样,出于梯度的目的,您可能不需要处理单独的损失;只需将所有损失分量求和为一个标量,然后计算关于参数向量的偏导数,得到一个梯度向量。

所以添加

loss = losses.sum()

或者直接定义一个标量损失

loss = T.sqr(theta * X - Y).sum()

然后使用

d_losses = T.grad(loss, theta)
updates = [(theta, theta - alpha * d_losses)]

d_losses[0] 等于 loss 关于 theta[0] 的偏导数,但 loss 中唯一涉及 theta[0] 的项是对 losses 的第一个元素求和,因此它也等于 losses[0] 关于 theta[0] 的偏导数,我认为这正是你想要的。