我想刷新我在Theano中编译的MLP模型，因为我想用不同的超参数重复使用该模型。

我知道我可以重新定义所有函数，但是每个函数的编译时间都很长。

我想定义一个函数来刷新模型的参数。

以下代码仅用于演示。

    # 构建MLP类    classifier = MLP(        rng=rng,        input=x,        n_in= n_input,        n_hidden=n_hidden,        n_out= n_output)    cost = (classifier.negative_log_likelihood(y)        + self.l1 * classifier.L1        + self.l2 * classifier.L2_sqr)    gparams = [T.grad(cost, param) for param in classifier.params]    updates = [(param, param - self.lr * gparam) \        for param, gparam in zip(classifier.params, gparams)]    train_model = theano.function(        inputs=[index],        outputs=cost,        updates=updates,        givens={x: self.xTrain[index * self.batchSize: (index + 1) * self.batchSize],            y: self.yTrain[index * self.batchSize: (index + 1) * self.batchSize]})

我的直觉告诉我，我可以简单地重新定义MLP()类，而不会对其他已编译的函数产生影响。

这是正确的吗？

我在想，如果这是真的，我可以定义一个MLP.refresh()函数，该函数重新实例化MLP()类的每个组件的参数。

回答：

虽然MLP类的工作原理尚不清楚，但只要共享变量的维数不变，您就可以重用之前编译的计算。

在下面的示例中，compile_model函数创建了一个具有随机初始化参数的简单神经网络。在用这些参数训练后，共享变量被重新初始化为新的随机值，但这次网络的隐藏层大小增加了。尽管大小发生了变化，但仍重用了原始的训练函数。

import numpyimport theanoimport theano.tensor as ttdef compile_model(input_size, hidden_size, output_size, learning_rate):    w_h = theano.shared(numpy.random.randn(input_size, hidden_size).astype(theano.config.floatX))    b_h = theano.shared(numpy.zeros(hidden_size, dtype=theano.config.floatX))    w_y = theano.shared(numpy.random.randn(hidden_size, output_size).astype(theano.config.floatX))    b_y = theano.shared(numpy.zeros(output_size, dtype=theano.config.floatX))    parameters = (w_h, b_h, w_y, b_y)    x = tt.matrix()    z = tt.lvector()    h = tt.tanh(theano.dot(x, w_h) + b_h)    y = tt.nnet.softmax(theano.dot(h, w_y) + b_y)    c = tt.nnet.categorical_crossentropy(y, z).mean()    u = [(p, p - learning_rate * theano.grad(c, p)) for p in parameters]    trainer = theano.function([x, z], outputs=[c], updates=u)    tester = theano.function([x], outputs=[y])    return trainer, tester, parametersdef refresh_model(parameters, input_size, hidden_size, output_size):    w_h, b_h, w_y, b_y = parameters    w_h.set_value(numpy.random.randn(input_size, hidden_size).astype(theano.config.floatX))    b_h.set_value(numpy.zeros(hidden_size, dtype=theano.config.floatX))    w_y.set_value(numpy.random.randn(hidden_size, output_size).astype(theano.config.floatX))    b_y.set_value(numpy.zeros(output_size, dtype=theano.config.floatX))def main():    input_size = 30    hidden_size = 10    output_size = 20    learning_rate = 0.01    batch_size = 40    epoch_count = 50    trainer, tester, parameters = compile_model(input_size, hidden_size, output_size, learning_rate)    x = numpy.random.randn(batch_size, input_size)    z = numpy.random.randint(output_size, size=(batch_size,))    print 'Training model with hidden size', hidden_size    for _ in xrange(epoch_count):        print trainer(x, z)    hidden_size = 15    refresh_model(parameters, input_size, hidden_size, output_size)    print 'Training model with hidden size', hidden_size    for _ in xrange(epoch_count):        print trainer(x, z)main()