在本节，我们将讨论如何通过Theano中的tensor模块使用数组结构。执行下列代码，我们可以创建一个简单的2×3矩阵，并使用优化过的Theano张量表达式计算数组中各列之和：
如前所述，使用Theano只需遵循3个基本步骤：定义变量、编译以及执行代码。上例显示Theano可以处理Python和NumPy的数据格式：列表（list）和数组（numpy.ndarry）
注意：在创建TensorVariable的fmatrix变量时，我们使用了可选的名称参数（在此为x），这对调试代码或者输出Theano图来说非常有用。例如，若未使用此名称参数，则输出变量名为x的fmatrix时，实际显示结果是其类型TesnsorType：
但如果在初始化TensorVariable时，像示例代码那样指定了名称参数x，则会显示此参数：
此时可通过type方法获取TensorType：
Theano还拥有一个非常智能的内存管理系统，通过对内存的复用使得系统运行速度更快。具体来说，Theano可以管理散布在多种硬件上的存储空间，如CPU和GPU。通过跟踪内存空间的变化，它可以对缓冲区进行镜像。接下来，我们来看一下shared变量，它允许我们使用大型对象（数组），这些对象可以被多种类型的函数读写，这样我们就可以在编译后对更新这些对象。关于Theano内存处理的更详细介绍超出了本书的范围。读者可通过链接http://deeplearning.net/software/theano/tutorial/aliasing.html获取Theano内存管理的最新信息。
正如我们所见，通过Theano共享内存是很容易的。在上一个例子中，我们定义了一个update变量，并通过此变量声明：在for循环每次迭代后，数组w加1以更新。在定义了要更新的对象，以及如何进行更新之后，我们便可以通过update参数将其传递给theano.function进行编译。
使用Theano的另一个巧妙方法就是：在编译之前通过givens变量在图中加入新的值[1]。使用这种方法，借助于共享变量，我们可以降低通过CPU将数据从内存传输到GPU的次数，从而加速算法的学习速度。如果我们在theano.function中使用了inputs参数，数据将会在CPU和GPU之间多次传输，例如，在梯度下降中，我们需对数据进行多次循环遍历（迭代）。如果数据集能够加载到GPU内存中，使用givens它就可以在训练过程中得以保持（例如，通过子批次进行学习）。代码如下：
由上述示例代码，我们还可发现：givens值的格式是Python字典，它可以将变量名映射到真实的Python对象上。其中，变量名与我们在fmatrix中定义的名字相同。
[1] Theano会将计算过程编译成一个图模型。——译者注