Shared 变量
学习资料:
今天讲 Shared 变量，意思是这些变量可以在运算过程中，不停地进行交换和更新值。 在定义 weights 和 bias 的情况下，会需要用到这样的变量。
今天会学习如何定义和使用它。
定义 Shared 变量¶
我们会用累加器来定义 Shared 变量，每一次向上面加一个值，每一次基于上面的变化，再加上另一个值，就这样不断地更新并保存这样的值。
首先引用需要的包：
用下面一行来定义 Shared 变量，要用 np.array 给它赋予初始值，初始值是 0，并且它的数据类型要规定好。 数据类型是很重要的，在后面要定义 vector 或者 matrix 的时候，一定要统一，否则就会报错。 这个例子中，我们定义它为 float64，所以在后面定义其他结构的时候，也要保证这样的数据类型。 最后一个参数就是它的名字 'state'。
下面是累加值，定义它的名字为 inc，还有它的数据类型，调用 state.dtype，而不是写 dtype=np.float64， 否则会报错。
接下来是要定义一个 accumulator 函数，它的输入参数为 inc，结果就是输出 state，累加的过程叫做 updates，就是要把现在的 state 变成 state+inc 。
提取 使用¶
打印： 不能直接用 print(accumulator(10))，因为这样输出的，第一次就是初始值 0，只能到下一次输出的时候，才会出现 10. 下面这个更科学，它可以取出 state 的当前值，我们可以先后 ＋1， ＋10， 打印结果看看如何：
get_value 可以用来提取参数的值。
而 set_value 可以用来重新设置参数，例如 把 11 变成了 －1，那么再 ＋3 之后就是 2，而不是 11+3=14.
get_value， set_value 这两种只能在 Shared 变量 的时候调用。
临时使用¶
有时只是想暂时使用 Shared 变量，并不需要把它更新： 这时我们可以定义一个 a 来临时代替 state，注意定义 a 的时候也要统一 dtype。
a = T.scalar(dtype=state.dtype)
然后忽略掉 Shared 变量 的运算，输入值是 [inc, a]，相当于把 a 代入 state，输出是 tmp_func，givens 就是想把什么替换成什么。 这样的话，在调用 skip_shared 函数后，state 并没有被改变。
最后输出 print(skip_shared(2, 3)) 时，就得到 3*2 + 2 = 8. state 只是被暂时地替换成 a，但是在调用它的时候，仍然是原来的值 2，而不是 3（a的值）。
