.. image:: https://readthedocs.org/projects/lasagne/badge/ :target: http://lasagne.readthedocs.org/en/latest/

.. image:: https://travis-ci.org/Lasagne/Lasagne.svg :target: https://travis-ci.org/Lasagne/Lasagne

.. image:: https://img.shields.io/coveralls/Lasagne/Lasagne.svg :target: https://coveralls.io/r/Lasagne/Lasagne

.. image:: https://img.shields.io/badge/license-MIT-blue.svg :target: https://github.com/Lasagne/Lasagne/blob/master/LICENSE

.. image:: https://zenodo.org/badge/16974/Lasagne/Lasagne.svg :target: https://zenodo.org/badge/latestdoi/16974/Lasagne/Lasagne

Lasagne

Lasagne 是一个轻量级的库，用于在 Theano 中构建和训练神经网络。它的主要特性包括：

• 支持前馈网络，如卷积神经网络（CNN），循环网络，包括长短期记忆网络（LSTM），以及它们的任意组合。
• 允许多输入、多输出的架构，包括辅助分类器。
• 提供多种优化方法，包括 Nesterov 动量、RMSprop 和 ADAM。
• 可自由定义损失函数，且由于 Theano 的符号微分功能，无需手动推导梯度。
• 由于 Theano 的表达式编译器，能够透明地支持 CPU 和 GPU。

其设计遵循 六个原则 <http://lasagne.readthedocs.org/en/latest/user/development.html#philosophy>_：

• 简单性：易于使用、理解及扩展，以促进研究中的应用。
• 透明性：不将 Theano 隐藏在抽象之下，直接处理并返回 Theano 表达式或 Python/numpy 数据类型。
• 模块化：允许所有组件（层、正则化项、优化器等）独立于 Lasagne 使用。
• 实用性：简化常见用例，不过度强调不常见的场景。
• 节制：不强迫用户使用他们决定不使用的功能。
• 专注：做好一件事，并把它做好。

安装

简而言之，你可以通过以下命令安装已知兼容版本的 Theano 和最新的 Lasagne 开发版本：

.. code-block:: bash

pip install -r https://raw.githubusercontent.com/Lasagne/Lasagne/master/requirements.txt pip install https://github.com/Lasagne/Lasagne/archive/master.zip

更多详细信息及替代方案，请参阅 安装说明 <http://lasagne.readthedocs.org/en/latest/user/installation.html>_。

文档

文档可在在线查阅：http://lasagne.readthedocs.org/

如需支持，请访问 lasagne-users 邮件列表 <https://groups.google.com/forum/#!forum/lasagne-users>_。

示例

.. code-block:: python

import lasagne import theano import theano.tensor as T

创建用于输入和目标小批量的 Theano 变量

input_var = T.tensor4('X') target_var = T.ivector('y')

构建一个小型卷积神经网络

from lasagne.nonlinearities import leaky_rectify, softmax network = lasagne.layers.InputLayer((None, 3, 32, 32), input_var) network = lasagne.layers.Conv2DLayer(network, 64, (3, 3), nonlinearity=leaky_rectify) network = lasagne.layers.Conv2DLayer(network, 32, (3, 3), nonlinearity=leaky_rectify) network = lasagne.layers.Pool2DLayer(network, (3, 3), stride=2, mode='max') network = lasagne.layers.DenseLayer(lasagne.layers.dropout(network, 0.5), 128, nonlinearity=leaky_rectify, W=lasagne.init.Orthogonal()) network = lasagne.layers.DenseLayer(lasagne.layers.dropout(network, 0.5), 10, nonlinearity=softmax)

定义损失函数

prediction = lasagne.layers.get_output(network) loss = lasagne.objectives.categorical_crossentropy(prediction, target_var) loss = loss.mean() + 1e-4 * lasagne.regularization.regularize_network_params( network, lasagne.regularization.l2)

创建参数更新表达式

params = lasagne.layers.get_all_params(network, trainable=True) updates = lasagne.updates.nesterov_momentum(loss, params, learning_rate=0.01, momentum=0.9)

编译训练函数，该函数更新参数并返回训练损失

train_fn = theano.function([input_var, target_var], loss, updates=updates)

训练网络（假设你已经有一些训练数据存储在 numpy 数组中）

for epoch in range(100): loss = 0 for input_batch, target_batch in training_data: loss += train_fn(input_batch, target_batch) print("第 %d 个 epoch：损失 %g" % (epoch + 1, loss / len(training_data)))

使用训练好的网络进行预测

test_prediction = lasagne.layers.get_output(network, deterministic=True) predict_fn = theano.function([input_var], T.argmax(test_prediction, axis=1)) print("第一个测试样本的预测类别： %r" % predict_fn(test_data[0]))

完整的可运行示例请参见 examples/mnist.py <examples/mnist.py>，而更深入的解释可以在 教程 <http://lasagne.readthedocs.org/en/latest/user/tutorial.html> 中找到。更多示例、代码片段以及对近期研究论文的复现，都维护在单独的 Lasagne Recipes <https://github.com/Lasagne/Recipes>_ 仓库中。

引用

如果你在科研工作中使用了 Lasagne，请考虑在相关出版物中引用它。我们提供了一个可以直接使用的 BibTeX 引用条目 <https://github.com/Lasagne/Lasagne/wiki/Lasagne-Citation-(BibTeX)>_。

开发

Lasagne 目前仍在开发中，欢迎贡献意见和代码。

有关如何参与贡献的详细信息，请参阅 贡献说明 <http://lasagne.readthedocs.org/en/latest/user/development.html>_！

Lasagne 快速上手指南

Lasagne 是一个基于 Theano 的轻量级神经网络库，专为构建和训练深度学习模型而设计。它支持卷积神经网络（CNN）、循环神经网络（RNN/LSTM）及其组合，具有代码简洁、透明度高和模块化强等特点。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (需配置相应 Python 环境)
• Python 版本：推荐 Python 3.6+
• 核心依赖：
  • Theano：Lasagne 的后端计算引擎（注意：Theano 已停止官方维护，建议使用兼容版本或社区维护版如 theano-pymc）。
  • NumPy & SciPy：科学计算基础库。
• 硬件加速（可选）：若需使用 GPU 加速，请预先安装好 CUDA 和 cuDNN，并确保 Theano 已正确配置为 GPU 模式。

安装步骤

您可以使用 pip 一键安装兼容版本的 Theano 依赖及最新的 Lasagne 开发版。

国内加速建议： 为了提高下载速度，建议在使用 pip 时指定国内镜像源（如清华源或阿里源）。

# 1. 安装依赖 (使用清华镜像加速)
pip install -r https://raw.githubusercontent.com/Lasagne/Lasagne/master/requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 2. 安装最新版 Lasagne (使用清华镜像加速)
pip install https://github.com/Lasagne/Lasagne/archive/master.zip -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：如果上述命令中自动安装的 Theano 版本与您本地的 GPU 环境不兼容，请先手动卸载 Theano，然后根据您的硬件环境单独安装特定版本的 Theano，再执行第二步安装 Lasagne。

基本使用

以下是一个最简示例，展示如何构建一个简单的卷积神经网络（CNN），定义损失函数并进行训练。

import lasagne
import theano
import theano.tensor as T

# 1. 创建 Theano 变量用于输入和目标小批量数据
input_var = T.tensor4('X')
target_var = T.ivector('y')

# 2. 构建一个简单的卷积神经网络
from lasagne.nonlinearities import leaky_rectify, softmax

# 输入层：假设输入为 (批次大小，3 通道，32x32 图像)
network = lasagne.layers.InputLayer((None, 3, 32, 32), input_var)

# 卷积层 1
network = lasagne.layers.Conv2DLayer(network, 64, (3, 3),
                                     nonlinearity=leaky_rectify)
# 卷积层 2
network = lasagne.layers.Conv2DLayer(network, 32, (3, 3),
                                     nonlinearity=leaky_rectify)
# 池化层
network = lasagne.layers.Pool2DLayer(network, (3, 3), stride=2, mode='max')

# 全连接层 (带 Dropout 和正交初始化)
network = lasagne.layers.DenseLayer(lasagne.layers.dropout(network, 0.5),
                                    128, nonlinearity=leaky_rectify,
                                    W=lasagne.init.Orthogonal())
# 输出层 (10 类分类)
network = lasagne.layers.DenseLayer(lasagne.layers.dropout(network, 0.5),
                                    10, nonlinearity=softmax)

# 3. 创建损失函数
prediction = lasagne.layers.get_output(network)
loss = lasagne.objectives.categorical_crossentropy(prediction, target_var)
loss = loss.mean() + 1e-4 * lasagne.regularization.regularize_network_params(
        network, lasagne.regularization.l2)

# 4. 创建参数更新表达式 (使用 Nesterov 动量优化器)
params = lasagne.layers.get_all_params(network, trainable=True)
updates = lasagne.updates.nesterov_momentum(loss, params, learning_rate=0.01,
                                            momentum=0.9)

# 5. 编译训练函数
train_fn = theano.function([input_var, target_var], loss, updates=updates)

# 6. 模拟训练循环 (假设 training_data 是包含 numpy 数组的迭代器)
# for epoch in range(100):
#     loss = 0
#     for input_batch, target_batch in training_data:
#         loss += train_fn(input_batch, target_batch)
#     print("Epoch %d: Loss %g" % (epoch + 1, loss / len(training_data)))

# 7. 创建预测函数 (确定性模式，关闭 Dropout)
test_prediction = lasagne.layers.get_output(network, deterministic=True)
predict_fn = theano.function([input_var], T.argmax(test_prediction, axis=1))

# print("Predicted class for first test input: %r" % predict_fn(test_data[0]))

更多完整示例（如 MNIST 实战）请参考官方仓库中的 examples/mnist.py 文件或访问在线教程。