前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >MXNET学习笔记(一):Module类(1)

MXNET学习笔记(一):Module类(1)

作者头像
ke1th
发布2018-01-02 11:18:08
1.2K0
发布2018-01-02 11:18:08
举报
文章被收录于专栏:漫漫深度学习路

Module 是 mxnet 提供给用户的一个高级封装的类。有了它,我们可以很容易的来训练模型。

Module 包含以下单元的一个 wraper

  • symbol : 用来表示网络前向过程的 symbol
  • optimizer: 优化器,用来更新网络。
  • exec_group: 用来执行 前向和反向计算。

所以 Module 可以帮助我们做

  • 前向计算,(由 exec_group 提供支持)
  • 反向计算,(由 exec_group 提供支持)
  • 更新网络,(由 optimizer 提供支持)

一个 Demo

下面来看 MXNET 官网上提供的一个 Module 案例

第一部分:准备数据

代码语言:javascript
复制
import logging
logging.getLogger().setLevel(logging.INFO)
import mxnet as mx
import numpy as np

fname = mx.test_utils.download('http://archive.ics.uci.edu/ml/machine-learning-databases/letter-recognition/letter-recognition.data')
data = np.genfromtxt(fname, delimiter=',')[:,1:]
label = np.array([ord(l.split(',')[0])-ord('A') for l in open(fname, 'r')])

batch_size = 32
ntrain = int(data.shape[0]*0.8)
train_iter = mx.io.NDArrayIter(data[:ntrain, :], label[:ntrain], batch_size, shuffle=True)
val_iter = mx.io.NDArrayIter(data[ntrain:, :], label[ntrain:], batch_size)

第二部分:构建网络

代码语言:javascript
复制
net = mx.sym.Variable('data')
net = mx.sym.FullyConnected(net, name='fc1', num_hidden=64)
net = mx.sym.Activation(net, name='relu1', act_type="relu")
net = mx.sym.FullyConnected(net, name='fc2', num_hidden=26)
net = mx.sym.SoftmaxOutput(net, name='softmax')
mx.viz.plot_network(net)

第三部分:创建Module

代码语言:javascript
复制
mod = mx.mod.Module(symbol=net,
                    context=mx.cpu(),
                    data_names=['data'],
                    label_names=['softmax_label'])

# 通过data_shapes 和 label_shapes 推断其余参数的 shape,然后给它们分配空间
mod.bind(data_shapes=train_iter.provide_data, label_shapes=train_iter.provide_label)
# 初始化模型的参数
mod.init_params(initializer=mx.init.Uniform(scale=.1))
# 初始化优化器,优化器用来更新模型
mod.init_optimizer(optimizer='sgd', optimizer_params=(('learning_rate', 0.1), ))
# use accuracy as the metric
metric = mx.metric.create('acc')
# train 5 epochs, i.e. going over the data iter one pass
for epoch in range(5):
    train_iter.reset()
    metric.reset()
    for batch in train_iter:
        mod.forward(batch, is_train=True)       # 前向计算
        mod.update_metric(metric, batch.label)  # accumulate prediction accuracy
        mod.backward()                          # 反向传导
        mod.update()                            # 更新参数
    print('Epoch %d, Training %s' % (epoch, metric.get()))

关于 bind 的参数:

  • data_shapes : list of (str, tuple), str 是 数据 Symbol 的名字,tuple是 mini-batch 的形状,所以一般参数是[('data', (64, 3, 224, 224))]
  • label_shapes: list of (str, tuple),str 是 标签 Symbol 的名字,tuple是 mini-batch 标签的形状,一般 分类任务的 参数为 [('softmax_label'),(64,)]
  • 为什么上面两个参数都是 list 呢? 因为可能某些网络架构,不止一个 数据,不止一种 标签。

关于 forward的参数

  • data_batch : 一个 mx.io.DataBatch-like 对象。只要一个对象,可以 .data返回 mini-batch 训练数据, .label 返回相应的标签,就可以作为 data_batch 的实参 。
  • 关于 DataBatch对象:.data 返回的是 list of NDArray(网络可能有多个输入数据),.label 也一样。
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一个 Demo
相关产品与服务
批量计算
批量计算(BatchCompute,Batch)是为有大数据计算业务的企业、科研单位等提供高性价比且易用的计算服务。批量计算 Batch 可以根据用户提供的批处理规模,智能地管理作业和调动其所需的最佳资源。有了 Batch 的帮助,您可以将精力集中在如何分析和处理数据结果上。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档