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
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，分享自作者个人站点/博客。
如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读