在Theano中，可以通过定义计算图来训练和推理模型。下面是一个简单的示例：
定义模型结构：首先，需要定义模型的输入、参数和输出。例如，可以使用Theano的T.matrix来定义输入和输出的矩阵。然后，定义模型的参数，例如权重和偏置。
定义损失函数：在训练模型时，需要定义损失函数来衡量模型的性能。常见的损失函数包括均方误差（MSE）和交叉熵损失。
定义优化算法：选择一个优化算法来最小化损失函数，例如随机梯度下降（SGD）或Adam。
编译函数：使用Theano的function来编译训练和推理函数。在训练函数中，将输入数据传入模型并计算损失函数，然后使用优化算法更新模型参数。在推理函数中，将输入数据传入模型并输出预测结果。
训练和推理：使用训练函数来训练模型，并使用推理函数来对新数据进行预测。
下面是一个简单的示例代码：
import theanoimport theano.tensor as Timport numpy as np# 定义模型结构X = T.matrix('X')Y = T.matrix('Y')W = theano.shared(np.random.randn(2, 2), name='W')b = theano.shared(np.zeros(2), name='b')# 定义模型Y_pred = T.dot(X, W) + b# 定义损失函数loss = T.mean((Y_pred - Y) ** 2)# 定义优化算法learning_rate = 0.01updates = [(W, W - learning_rate * T.grad(loss, W)), (b, b - learning_rate * T.grad(loss, b))]# 编译函数train = theano.function(inputs=[X, Y], outputs=loss, updates=updates)predict = theano.function(inputs=[X], outputs=Y_pred)# 训练模型X_train = np.array([[0, 1], [2, 3]])Y_train = np.array([[1, 3], [5, 7]])for i in range(100): loss = train(X_train, Y_train) print('Epoch {}, Loss: {}'.format(i, loss))# 推理模型X_test = np.array([[4, 5], [6, 7]])Y_pred = predict(X_test)print('Predictions:', Y_pred)在这个示例中，我们定义了一个简单的线性模型，并使用随机梯度下降算法训练模型。最后，使用训练好的模型对新数据进行预测。
