我想训练一个神经网络来表示从R^n到R的函数。这个神经网络只有一个层，输入神经元是函数的参数，输出是函数的值。例如，函数可以是“逻辑与”：两个输入值，一个输出值。

为了训练这样的网络，我需要定义一个成本函数，然后利用Theano对梯度的支持进行推导。问题在于：通常你会使用神经网络进行分类。一个训练样本是（输入，y），其中y是期望输出=应该具有最大似然性的输出神经元的索引。

在这种情况下，这是不可能的，我只有一个输出神经元，需要将其与标签进行比较=>标签不用于索引。伪代码如下：

if y==0:   cost= - outputelse:   cost= - (1-output)

使用这种方法，每个样本都需要重新计算成本。因为计算成本的公式依赖于y的值。

我认为有必要在theano公式中实现选择。类似于这个伪代码：

block1= - outputblock2= - (1 - output)blockMatrix= [block1 : block2]return blockMatrix[y]

在theano教程中，索引与微分结合使用，因此这应该可行。

实际问题：Theano中的阻塞是如何工作的？

我的代码中符号的类型：output是一个矩阵，y是一个向量。样本是这样创建的，一行是一个样本。

data_x = numpy.matrix([[0, 0],                       [1, 0],                       [0, 1],                       [1, 1]])data_y = numpy.array([0,                      0,                      0,                      1])

完整代码在pastebin上：http://pastebin.com/PByUyvMQ它基本上与这个教程完全相同：http://deeplearning.net/tutorial/logreg.html

回答：

我不太确定阻塞的确切含义，但对于简单地连接两个张量变量，有theano.tensor.concatenate()和theano.tensor.stack()。

此外，你的问题还有另一种表述方式，可以避免条件和阻塞：

cost = -(1-y)*output -y*(1-output)