neural-network - theano 中 ifelse 和 switch 的用途是什么？

Question

我无法理解它们的任何内容，我是从http://deeplearning.net/software/theano/tutorial/conditions.html读到的。 。我想它们的功能就像我们的 ifelse，但无法理解如何使用它们。请对此进行一些指导。谢谢

Answer 1

代码是从链接复制的，以便更容易解释: http://deeplearning.net/software/theano/extending/graphstructures.html

from theano import tensor as T
from theano.ifelse import ifelse
import theano, time, numpy

a,b = T.scalars('a','b')
x,y = T.matrices('x','y')

z_switch = T.switch(T.lt(a,b), T.mean(x), T.mean(y))
z_lazy = ifelse(T.lt(a,b), T.mean(x), T.mean(y))

f_switch = theano.function([a,b,x,y], z_switch,
                           mode=theano.Mode(linker='vm'))
f_lazyifelse = theano.function([a,b,x,y], z_lazy,
                               mode=theano.Mode(linker='vm'))

val1 = 0.
val2 = 1.
big_mat1 = numpy.ones((10000,1000))
big_mat2 = numpy.ones((10000,1000))

n_times = 10

tic = time.clock()
for i in range(n_times):
    f_switch(val1, val2, big_mat1, big_mat2)
print('time spent evaluating both values %f sec' % (time.clock()-tic))

tic = time.clock()
for i in range(n_times):
    f_lazyifelse(val1, val2, big_mat1, big_mat2)
print('time spent evaluating one value %f sec' % (time.clock()-tic))

在示例中， f_switch(val1, val2, big_mat1, big_mat2) 和 f_lazyifelse(val1, val2, big_mat1, big_mat2) 都在做同样的事情。如果 val1 是“小于”val2，则返回 big_mat1，否则返回 big_mat2。

但是“switch”和“ifelse”在性能上存在差异。在“ifelse”中，根据条件，仅评估可能的输出之一。在此示例中，在 f_lazyifelse(val1, val2, big_mat1, big_mat2) 中，如果 val1 小于 val2，则仅评估对大矩阵的所有元素执行均值函数的 big_mat1，而不会评估 big_mat2。

另一方面，在“switch”的情况下，无论条件如何，都会评估两个可能的输出，并且在示例中，在 f_switch(val1, val2, big_mat1, big_mat2) 中，无论 val1 和 val2 都是 big_mat1并且将计算 big_mat2 (此处，对大矩阵的所有元素执行均值函数)。因此“switch”几乎需要两次“ifelse”来执行。