MXNET学习笔记(一):Module类(1)

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

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

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

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分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据结构与算法

BZOJ1563: [NOI2009]诗人小G(决策单调性 前缀和 dp)

\(f_i = min(f_j + (sum_i - sum_j - 1 - L)^P)\)

863
来自专栏人工智能LeadAI

Keras同时用多张显卡训练网络

References 官方文档:multi_gpu_model(https://keras.io/utils/#multi_gpu_model)以及Google...

5058
来自专栏Deep learning进阶路

caffe随记(三) --- solver 简析

1、概述 solver算是caffe中比较核心的一个概念,在我们训练train我们的网络时,就必须要带上这个参数, 如下例是我要对Lenet进行训练的时候要调...

2880
来自专栏pydata

Matlab C混合编程

在MATLAB中可调用的C或Fortran语言程序称为MEX文件。MATLAB可以直接把MEX文件视为它的内建函数进行调用。MEX文件是动态链接的子例程,MAT...

542
来自专栏杨熹的专栏

TensorFlow 入门

---- CS224d-Day 2: 在 Day 1 里,先了解了一下 NLP 和 DP 的主要概念,对它们有了一个大体的印象,用向量去表示研究对象,用神经网络...

4464
来自专栏生信技能树

blast简介及格式解读及练习题

双序列比对可以采用是基于动态规划算法的Needleman-Wunsch(NW)和Smith-Waterman algorithm(SW)算法,虽然精度高,但计...

593
来自专栏人工智能

深度学习框架之一:Theano

正文共7163个字,1张图,预计阅读时间18分钟。 参考Lasagne官网(http://lasagne.readthedocs.io/en/latest/)t...

1806
来自专栏PPV课数据科学社区

TensorFlow 数据集和估算器介绍

TensorFlow 1.3 引入了两个重要功能,您应当尝试一下: 数据集:一种创建输入管道(即,将数据读入您的程序)的全新方式。 估算器:一种创建 Ten...

3069
来自专栏IT派

最新|官方发布:TensorFlow 数据集和估算器介绍

TensorFlow 1.3 引入了两个重要功能,您应当尝试一下: 数据集:一种创建输入管道(即,将数据读入您的程序)的全新方式。 估算器:一种创建 Tens...

4155
来自专栏机器之心

教程 | PyTorch经验指南:技巧与陷阱

项目地址:https://github.com/Kaixhin/grokking-pytorch

941

扫码关注云+社区