Theano

Theano及其分叉PyTensor，是一個Python庫和優化的編譯器，用來操縱和求值數學表達式特別是矩陣值表達式^[2]。在其中，計算使用NumPy風格的語法來表達並被編譯，用來在CPU或者GPU架構上高效的運行。

Theano

原作者	蒙特利爾大學的蒙特利爾學習算法研究所（英語：Montreal Institute for Learning Algorithms）（MILA）
開發者	PyMC開發團隊
首次發布	2007年，​18年前​（2007）
當前版本	2.31.7（2025年7月8日；穩定版本）[1]
源代碼庫	github.com/pymc-devs/pytensor
編程語言	Python, CUDA
平台	Linux, macOS, Windows
類型	機器學習, 函式庫
許可協議	3條款BSD許可證
網站	pytensor.readthedocs.io/en/latest/

歷史

Theano是開源項目^[3]，主要由蒙特利爾大學的蒙特利爾學習算法研究所（英語：Montreal Institute for Learning Algorithms）（MILA）開發^[4]。軟件名字取自古代哲學家Theano（英語：Theano (philosopher)）。在2017年9月28日，Pascal Lamblin發布了來自約書亞·本希奧的一則信息，MILA負責人說：由於更強大的工業參與者的競爭，主要的開發在1.0發行之後將會停止^[5]。Theano 1.0.0隨後在2017年11月15日發行^[6]。

在2018年5月17日，Chris Fonnesbeck代表PyMC開發團隊寫道：PyMC開發者將在他們退場後取得對Theano維護的控制權^[7]。在2021年1月絕大部份的Theano代碼基被重新建造，並增加了通過JAX和Numba的編譯，修訂後的這個計算後端以新名字Aesara發行。2022年11月28日，PyMC團隊宣布採用從Aesara計劃分叉出PyTensor^[8]。

樣例代碼

下列代碼以PyTensor用作介紹的例子：

import pytensor
from pytensor import tensor as pt

# 声明2个符号浮点标量
a = pt.dscalar("a")
b = pt.dscalar("b")

# 建立一个简单的表达式
c = a + b

# 将这个表达式转换成一个可调用对象，
# 它接收'(a, b)'值作为输入并计算出一个值给'c'
f_c = pytensor.function([a, b], c)

assert f_c(1.5, 2.5) == 4.0

# 计算样例表达式关于'a'的梯度
dc = pytensor.grad(c, a)

f_dc = pytensor.function([a, b], dc)

assert f_dc(1.5, 2.5) == 1.0

>>> import pytensor
>>> from pytensor import tensor as pt
>>>
>>> # 通过'pytensor.function'编译函数还能优化表达式图
>>> # 它会移除不必要的运算并将特定运算替代为更有效的运算
>>> 
>>> v = pt.vector("v")
>>> M = pt.matrix("M")
>>> 
>>> d = a/a + (M + a).dot(v)
>>> 
>>> pytensor.dprint(d)
Add [id A]
 ├─ ExpandDims{axis=0} [id B]
 │  └─ True_div [id C]
 │     ├─ a [id D]
 │     └─ a [id D]
 └─ dot [id E]
    ├─ Add [id F]
    │  ├─ M [id G]
    │  └─ ExpandDims{axes=[0, 1]} [id H]
    │     └─ a [id D]
    └─ v [id I]
<_io.TextIOWrapper name='<stdout>' mode='w' encoding='utf-8'>
>>> 
>>> f_d = pytensor.function([a, v, M], d)
>>> 
>>> # 'a/a' -> '1'而点积被替代为BLAS函数(i.e. CGemv)
>>> pytensor.dprint(f_d)
Add [id A] 5
 ├─ [1.] [id B]
 └─ CGemv{inplace} [id C] 4
    ├─ AllocEmpty{dtype='float64'} [id D] 3
    │  └─ Shape_i{0} [id E] 2
    │     └─ M [id F]
    ├─ 1.0 [id G]
    ├─ Add [id H] 1
    │  ├─ M [id F]
    │  └─ ExpandDims{axes=[0, 1]} [id I] 0
    │     └─ a [id J]
    ├─ v [id K]
    └─ 0.0 [id L]
<_io.TextIOWrapper name='<stdout>' mode='w' encoding='utf-8'>

參見

• 深度學習軟件比較（英語：Comparison of deep learning software）
• 可微分編程