theano.tensor.shared_randomstreamsRandomStreams()：生成随机数流的共享变量

theano.tensor.shared_randomstreams.RandomStreams() 是 Theano 库中用于生成随机数流的共享变量的类。它提供了一种在 Theano 符号图中生成和使用随机数的方法。使用 RandomStreams 可以保证生成的随机数流是可重复的，且容易在不同的符号图之间共享。

生成随机数流的共享变量的示例代码如下：

import numpy as np
import theano
import theano.tensor as T

rng = np.random.RandomState(1234)

# 定义共享变量的随机数流
srng = T.shared_randomstreams.RandomStreams(seed=1234)

# 生成均匀分布的随机数
uniform = srng.uniform((2, 2))

# 生成正态分布的随机数
normal = srng.normal((2, 2))

# 生成整数随机数
binomial = srng.binomial((2, 2), p=0.5)

# 定义函数并编译
f = theano.function([], [uniform, normal, binomial])

# 调用函数
print(f())

# 输出：
# [array([[0.12672381, 0.97091597],
#         [0.13989098, 0.88754825]]),
#  array([[-1.56166003, -0.13124777],
#         [-0.67521829,  0.57131854]]),
#  array([[1, 0],
#         [1, 1]])]

在上面的示例中，首先创建一个 RandomStreams 对象 srng，并通过设置种子值 seed=1234 来保证生成的随机数是可重复的。然后我们可以使用 uniform、normal、binomial 等方法来生成不同分布的随机数。最后，我们定义一个函数 f 并用 theano.function 编译该函数，然后可以通过调用 f 来获取生成的随机数。

需要注意的是，由于 Theano 是一个符号计算库，在编译函数时并不会立即生成随机数，而是在函数被调用时才会生成。因此，每次调用函数时都会生成不同的随机数。

RandomStreams 的使用可以增加模型的随机性，例如在模型的训练过程中使用 dropout 来随机丢弃部分神经元，从而提高模型的泛化能力。此外，还可以在生成随机数时设置一些限制条件，用于控制生成的随机数的范围、分布等，以满足实际需求。

总之， theRandomStreams 类提供了在 Theano 符号图中生成和使用随机数的应用接口，能够在科学计算和机器学习的模型中起到重要的作用。