点击上方卡片关注我

设置星标 学习更多技能

aesara是一个用于定义、优化和求值数学表达式的Python库，特别擅长处理多维数组运算。它是Theano项目的继承者，在Theano停止维护后由社区接手开发。aesara的核心优势在于其强大的符号计算能力和自动微分功能，能够将数学表达式编译成高效的C代码或CUDA代码，在CPU和GPU上实现高性能计算。

安装

1、基础安装

使用pip进行安装：

pip install aesara

2、验证安装

安装完成后，可以通过以下代码验证是否安装成功：

import aesaraprint(aesara.__version__)

如果能够正常输出版本号，说明安装成功。

核心特性

• 符号计算：支持定义符号变量和表达式，延迟计算直到需要时才求值
• 自动微分：自动计算函数的梯度，支持高阶导数计算
• 表达式优化：自动优化计算图，消除冗余操作，提高执行效率
• 代码生成：将表达式编译成优化的C代码或CUDA代码
• GPU加速：原生支持GPU计算，自动将运算转移到GPU执行
• 数值稳定性：内置数值稳定的算法实现，避免常见的数值问题
• 灵活扩展：支持自定义操作和优化规则

基本功能

1、符号变量定义与计算

aesara采用符号计算的方式，首先定义符号变量和表达式，然后编译成函数进行求值，符号变量不存储具体的数值，而是代表一个抽象的数学对象。通过function函数可以将符号表达式编译成可执行的Python函数，传入实际数值进行计算。

import aesaraimport aesara.tensor as at# 定义符号变量x = at.dscalar('x')y = at.dscalar('y')# 定义表达式z = x + yresult = z ** 2# 编译成函数f = aesara.function([x, y], result)# 执行计算output = f(2, 3)print(f"结果: {output}")  # 输出: 25.0

2、矩阵运算

aesara提供了丰富的矩阵和张量运算功能，支持矩阵乘法、转置、求逆等常用操作。这些运算都是符号化的，可以在编译时进行优化。矩阵运算是机器学习和科学计算的基础，aesara通过底层优化的BLAS库实现高效的矩阵计算。在定义复杂的数学模型时，可以像写数学公式一样编写代码，aesara会自动处理底层的优化和执行。

import aesara.tensor as atimport numpy as np# 定义矩阵符号变量A = at.dmatrix('A')B = at.dmatrix('B')# 定义矩阵运算C = at.dot(A, B)D = C.T  # 转置# 编译函数matmul = aesara.function([A, B], D)# 执行计算a = np.array([[1, 2], [3, 4]])b = np.array([[5, 6], [7, 8]])result = matmul(a, b)print("矩阵乘法转置结果:")print(result)

3、共享变量

aesara的共享变量可以在多次函数调用之间保持状态，在实现迭代算法和神经网络训练时非常有用。共享变量存储在内存中，可以被多个函数访问和修改。通过updates参数，可以在函数执行时自动更新共享变量的值。

import aesaraimport aesara.tensor as at# 创建共享变量state = aesara.shared(0)inc = at.iscalar('inc')# 定义更新规则new_state = state + inc# 编译函数，包含更新操作accumulator = aesara.function([inc], state, updates=[(state, new_state)])# 多次调用，状态会累积print(accumulator(1))  # 输出: 0print(accumulator(5))  # 输出: 1print(accumulator(3))  # 输出: 6print(state.get_value())  # 输出: 9

高级功能

1、自动微分

aesara最强大的功能之一是自动微分，可以自动计算任意表达式的梯度，aesara使用反向传播算法高效地计算梯度，即使是非常复杂的嵌套函数也能准确求导。自动微分不仅节省了手动推导梯度的时间，还避免了人为错误。在实现自定义的优化算法时，只需定义目标函数，aesara会自动处理梯度计算。

import aesaraimport aesara.tensor as at# 定义变量和函数x = at.dscalar('x')y = x ** 3 + 2 * x ** 2 + x + 1# 计算梯度grad_y = at.grad(y, x)# 编译函数f = aesara.function([x], y)f_grad = aesara.function([x], grad_y)# 计算函数值和梯度x_val = 2.0print(f"f({x_val}) = {f(x_val)}")print(f"f'({x_val}) = {f_grad(x_val)}")  # 3x^2 + 4x + 1 = 21

2、计算图优化

aesara会自动优化计算图，消除冗余计算，合并相似操作，提高执行效率。通过print_graph函数可以查看优化前后的计算图结构。优化过程包括常量折叠、公共子表达式消除、算子融合等多种技术，这些优化对用户是透明的，不需要手动干预。在处理复杂的数学表达式时，优化器能够显著减少计算量和内存使用。

import aesaraimport aesara.tensor as at# 定义包含冗余计算的表达式x = at.dscalar('x')y = x + x + x + x  # 可以优化为 4*x# 编译函数f = aesara.function([x], y)# 查看优化后的计算图print("优化后的表达式:")aesara.printing.debugprint(f)# 执行计算result = f(5.0)print(f"结果: {result}")

总结

aesara是一个功能强大的数值计算库，为Python提供了高性能的符号计算和自动微分能力。通过符号化的表达式定义和智能的计算图优化，aesara能够将数学公式转化为高效的可执行代码。自动微分功能是机器学习和优化算法的基石，大大简化了复杂模型的实现。虽然学习曲线相对陡峭，但掌握aesara的核心概念后，可以显著提升数值计算的开发效率。