Matrici di stack Theano programmaticamente?

Question

Ho il seguente codice che memorizza 2 matrici in un tensore 3D.

import theano 
import theano.tensor as T 
A = T.matrix("A") 
B = theano.tensor.stack(A, A) 
f = theano.function(inputs=[A], outputs=B) 
print f([range(10)]*2) 

Tuttavia, non so quante volte ho bisogno di impilare la matrice in anticipo. Ad esempio la quarta linea di codice può essere:

B = theano.tensor.stack(A, A, A) 
B = theano.tensor.stack(A, A, A, A) 
etc... 

C'è una funzione Teanò per duplicare una matrice n volte:

theano.some_function(A, 3) = theano.tensor.stack(A, A, A) 

Allora posso passare che 3, come argomento della funzione Theano f. È possibile? Ho esaminato la trasmissione ma la trasmissione non modifica in modo esplicito dimensionalità/stack.

Answer 1

Non so su Theano, ma si potrebbe ottenere questo risultato utilizzando lista di comprensione e disimballaggio lista di argomenti:

n = 5 
B = theano.tensor.stack(*[A for dummy in range(n)]) 

che è equivalente a:

B = theano.tensor.stack(A, A, A, A, A) 

Quello che fa è, prima costruisce un elenco con n copie di A e quindi scompatta questo elenco in argomenti separati (vedere https://docs.python.org/2/tutorial/controlflow.html#unpacking-argument-lists).

Answer 2

Dopo aver scavato a lungo e duramente attraverso la documentazione Theano ho trovato la soluzione:

import theano 
import theano.tensor as T 
A = T.matrix("A") 
B = [A] 
C = theano.tensor.extra_ops.repeat(B, 3, axis=0) 
f = theano.function(inputs=[A], outputs=C) 
print f([range(10)]*2) 

è equivalente a:

import theano 
import theano.tensor as T 
A = T.matrix("A") 
B = theano.tensor.stack(A, A, A) 
f = theano.function(inputs=[A], outputs=B) 
print f([range(10)]*2) 

tranne ora possiamo scegliere il numero di ripetizioni programatically come secondo argomento a: theano.tensor.extra_ops.repeat

Answer 3

Ecco un esempio utilizzando la trasmissione

import theano 
import theano.tensor as T 
import numpy as np 

A = T.fmatrix() 
n = T.iscalar() 

ones = T.ones((n, 1, 1)) 

stackedA = ones * A[np.newaxis, :, :] 

f = theano.function([A, n], stackedA) 

a = np.arange(30).reshape(5, 6).astype('float32') 
nn = 3 

r = f(a, nn) 

print r.shape # outputs (3, 4, 5) 
print (r == a[np.newaxis]).all() # outputs True 

Questo approccio può aiutare il compilatore ad evitare la piastrellatura se può ottimizzarlo.