Функция Theano: неиспользуемый вход

Я пытаюсь реализовать мини-пакет Kmeans. Часть, которая, кажется, доставляет мне очень трудные времена, — это указание мини-пакетов в качестве входных данных для theano. У меня есть класс KmeansMiniBatch с функцией __init__(self, batch_size, data=None), где data в данном случае — это мини-пакет, а batch_size — размер пакета. У меня также есть функция fit_once, которая не принимает аргументов, а вместо этого использует данные, переданные в __init__.

Мой основной скрипт состоит из следующего:

X = T.matrix('X', dtype='float64')
mini_batch = T.matrix('X', dtype='float64')

kmeans = KmeansMiniBatch(
    batch_size=10000,
    data=X
)

func = theano.function(
    inputs=[mini_batch],
    outputs=kmeans.fit_once(),
    givens={
        kmeans.X: mini_batch,
    }
)

data = load_data()
for i in xrange(30):
    func(get_batch(data))

image = Image.fromarray(
tile_raster_images(X=np.transpose(kmeans.D.eval()),
                       img_shape=(12, 12), tile_shape=(10, 30),
                       tile_spacing=(1, 1)))

Я намеревался инициализировать объект KmeansMiniBatch символической переменной X, которая заменяется на a mini_batch на каждой итерации. Каждый из мини-пакетов генерируется функцией get_batch, которая в основном принимает в качестве входных данных весь набор данных, а использование numpy.random.choice возвращает только подмножество этого набора данных, которое представляет собой массив numpy. К сожалению, мне не удается выполнить то, что я намеревался достичь, поскольку приведенный выше код приводит к следующему сообщению об ошибке:

theano.compile.function_module.UnusedInputError: theano.function попросили создать функцию, вычисляющую выходные данные с учетом определенных входных данных, но предоставленная входная переменная с индексом 0 не является частью вычислительного графа, необходимого для вычисления выходных данных: X. Чтобы сделать эту ошибку в предупреждение вы можете передать параметр on_unused_input='warn' в theano.function. Чтобы полностью отключить его, используйте on_unused_input='ignore'.

Я не уверен, почему именно я получаю эту ошибку, поскольку я заменяю символическую переменную X входом функции mini_batch. Кроме того, если я устанавливаю on_unused_input='ignore', я получаю следующее сообщение об ошибке во время оценки kmeans.D.eval():

theano.gof.fg.MissingInputError: ("Ввод графика, используемый для вычисления Shape(X), не был предоставлен и ему не было присвоено значение. Используйте флаг Theano exception_verbosity='high', для получения дополнительной информации об этой ошибке. ", ИКС)

Любая помощь будет очень высоко ценится !

Редактировать:

Итак, я наконец-то заработал! Моя функция fit_once использовалась для обновления матрицы D, которая является атрибутом класса KmeanMiniBatch, но не вернула ее, что, по-видимому, вызвало жалобу theano, поскольку ввод действительно не использовался в выводе. Что я сделал, так это изменил fit_once, чтобы вернуть D, и это в основном решило проблему. Вот мой модифицированный main

X = T.matrix('X', dtype='float64')
mini_batch = T.matrix('mini_batch', dtype='float64')

kmeans = KmeansMiniBatch(
    batch_size=1000,
    data=X
)

func = theano.function(
    inputs=[mini_batch],
    outputs=kmeans.fit_once(),
    givens={
        X: mini_batch
    },
)

data = load_data()
D= None
for i in xrange(30):
    D = func(get_batch(data))

image = Image.fromarray(
tile_raster_images(X=np.transpose(D),
                       img_shape=(12, 12), tile_shape=(10, 30),
                       tile_spacing=(1, 1)))
image.save('repflds7.png')

По-видимому, функции theano плохо работают с функциями void python.

Редактировать 2:

Просто чтобы пролить больше света на проблему, которую я хотел бы решить. Итак, версия Kmeans, которую я реализую, также известна как Vector Quantization, в которой словарь D в основном обеспечивает сжатие набора данных X в S. Первоначально часть fit_once, касающаяся D, была следующей:

self.D = T.dot(self.X, T.transpose(S))
self.D = self.D / T.sqrt(T.sum(T.sqr(self.D), axis=0))

Таким образом, на каждой итерации словарь D будет обновляться, и поэтому нет смысла возвращать D, что мне пришлось сделать, чтобы theano перестал жаловаться:

self.D = T.dot(self.X, T.transpose(S))
self.D = self.D / T.sqrt(T.sum(T.sqr(self.D), axis=0))
return self.D

D инициализируется следующим образом в __init__:

self.D = self.srng.normal(size=(self.dimensions, self.K))
self.D = self.D / T.sqrt(T.sum(T.sqr(self.D), axis=0))

Чего я хотел бы добиться, так это: 1. Не нужно возвращать D, а вместо этого обновлять и оценивать D на месте, которое я затем могу получить через kmeans.D 2. Я не о своем выборе иметь D в качестве символической переменной? Возможно, общая переменная была бы лучшим выбором? 3. Самое главное, на каждой из 30 итераций я хотел бы заменить данные X на модель KmeansMiniBatch мини-пакетом, и, следовательно, мое использование заданного параметра. Есть ли лучший способ добиться этого?