深度学习框架Lasagne的一些总结和技巧

深度学习框架也用过几个了，一直比较喜欢的是Lasagne，因为其设计哲学是不回避底层（theano)，而且封装得比较灵活，不像Keras那样完全一套自己的逻辑，底层借口暴露的太少，导致想做自己的模型的时候用keras非常费力。

从某种意义上说，个人觉得Lasagne其实不太能称得上是一个神经网络的框架，而是theano的一个非常好的toolbox，其整个设计都是把theano变得更好使用。

由于学习时间的多变，导致有时候会集中时间写一段时间的代码，有时候会集中时间看paper，所以经常忘掉 lasagne里的一些逻辑和规则，这次在这里我就不定期总结一些，当做给自己的一个tips. 所以其实很多技巧和经验是theano的经验，一并写一下。

• 声明网络输入变量的时候，需要提前设计好属性（vector或者matrix或者4d等等），如下：
  c = T.imatrix()
q = T.ivector()
y = T.imatrix()
c_pe = T.tensor4()
q_pe = T.tensor4()

  属性的确定，是需要考虑到batch这个维度的，所以，单个输入是一个向量的话，声明的时候就是matrix，
  另外，网络输出目标　y　是一个[batch_size,n_classes]的矩阵。

• label的转换问题，通常情况下，对于label都需要转换成为one-hot的向量，
  　有一个方便的工具　
  from sklearn.pr