MXNET笔记(一)基本流程
来源:互联网 发布:网络诈骗案例大全 编辑:程序博客网 时间:2024/06/05 18:11
在MXNET的官方文档网站有非常多的实例,我们从最简单的MNIST开始,地址在这里(与“mxnet/example/image-classification”目录下的代码不同,但是更容易理解)。本文不求详解,只求对Mxnet的基本流程有个大概的了解。
准备数据
首先下载数据库并解压缩,得到train_lbl
,train_img
两组变量。
import numpy as npimport osimport urllibimport gzipimport structdef download_data(url, force_download=True): fname = url.split("/")[-1] if force_download or not os.path.exists(fname): urllib.urlretrieve(url, fname) return fnamedef read_data(label_url, image_url): with gzip.open(download_data(label_url)) as flbl: magic, num = struct.unpack(">II", flbl.read(8)) label = np.fromstring(flbl.read(), dtype=np.int8) with gzip.open(download_data(image_url), 'rb') as fimg: magic, num, rows, cols = struct.unpack(">IIII", fimg.read(16)) image = np.fromstring(fimg.read(), dtype=np.uint8).reshape(len(label), rows, cols) return (label, image)path='http://yann.lecun.com/exdb/mnist/'(train_lbl, train_img) = read_data( path+'train-labels-idx1-ubyte.gz', path+'train-images-idx3-ubyte.gz')(val_lbl, val_img) = read_data( path+'t10k-labels-idx1-ubyte.gz', path+'t10k-images-idx3-ubyte.gz')
MXNet利用 iterator来进行给神经网络送batch数据,每个batch包含数张图像以及其相应的标签用于训练。iterator可以实现数据预取,实现数据读取和数据处理的管线化(pipeline)从而提高处理速度。
- 数据库参数:比如数据库路径,输入尺寸
- Batch参数: 比如batch 大小
- 增强参数: 对输入图像进行额外处理,比如镜像、截断操作
- 后端参数: 控制后端线程的行为
- 辅助参数: 提供用于调试的参数设定,如verbose设定是否要输出parser信息。
import mxnet as mxdef to4d(img): return img.reshape(img.shape[0], 1, 28, 28).astype(np.float32)/255batch_size = 100train_iter = mx.io.NDArrayIter(to4d(train_img), train_lbl, batch_size, shuffle=True)val_iter = mx.io.NDArrayIter(to4d(val_img), val_lbl, batch_size)
上面的代码就实现了非常简单的两个iterator,train_iter
和val_iter
分别用于训练和验证。
设计网络
Mxnet的网络设计就像乐高积木,一块一块的堆叠就可以
# Create a place holder variable for the input datadata = mx.sym.Variable('data')# Flatten the data from 4-D shape (batch_size, num_channel, width, height) # into 2-D (batch_size, num_channel*width*height)data = mx.sym.Flatten(data=data)# The first fully-connected layerfc1 = mx.sym.FullyConnected(data=data, name='fc1', num_hidden=128)# Apply relu to the output of the first fully-connnected layeract1 = mx.sym.Activation(data=fc1, name='relu1', act_type="relu")# The second fully-connected layer and the according activation functionfc2 = mx.sym.FullyConnected(data=act1, name='fc2', num_hidden = 64)act2 = mx.sym.Activation(data=fc2, name='relu2', act_type="relu")# The thrid fully-connected layer, note that the hidden size should be 10, which is the number of unique digitsfc3 = mx.sym.FullyConnected(data=act2, name='fc3', num_hidden=10)# The softmax and loss layermlp = mx.sym.SoftmaxOutput(data=fc3, name='softmax')
可视化上述代码设计的网络
# We visualize the network structure with output size (the batch_size is ignored.)shape = {"data" : (batch_size, 1, 28, 28)}mx.viz.plot_network(symbol=mlp, shape=shape)
一共三层,前面两层FullyConnected + Relu,最后一层为FullyConnected+Softmax。
训练
最后通过model.fit来进行训练,并打印出Log文件
import logginglogging.getLogger().setLevel(logging.DEBUG)model = mx.model.FeedForward( symbol = mlp, # network structure num_epoch = 10, # number of data passes for training learning_rate = 0.1 # learning rate of SGD )model.fit( X=train_iter, # training data eval_data=val_iter, # validation data batch_end_callback = mx.callback.Speedometer(batch_size, 200) # output progress for each 200 data batches)
阅读全文
0 0
- MXNET笔记(一)基本流程
- DL | MXNet 学习笔记(一)
- mxnet-Gluon(一):mxnet-Gluon 入门
- MXNET学习笔记(一):Module类(1)
- PTAMM阅读笔记之基本流程(一)
- cocos2d-html5笔记一:基本流程分析
- Qt5学习笔记(一)—— 基本的安装流程
- OpenGL ES学习笔记(一)——基本用法、绘制流程与着色器编译
- JNI 学习笔记(一)-- JNI函数调用流程,JNI理解和基本数据类型
- clojure-基本语法-流程控制(一)
- (一)OpenGL渲染的基本流程
- SDWebImage新版(一) 基本流程
- MXNET笔记(二)准备数据
- MXNET笔记(三)Data Iterator
- mxnet 基础学习笔记(李沐课)
- Web Service学习笔记(基本流程)
- MXNet基本介绍
- MXNet 的学习(一)—— MXNet Dependency Engine(依赖引擎)
- Leetcode 258 Add Digits
- Python 虚拟环境+安装MxNet(CPU和GPU版本)
- 几种经典的网络服务器架构模型的分析与比较
- Leetcode 263 Ugly Number
- 如何去除浏览器的滚动条
- MXNET笔记(一)基本流程
- Targe Lock
- JS和jquery获取各种屏幕的宽度和高度的代码
- 《Java源码分析》:HashSet
- 第一次知道有拆白这种行业
- HDU 6201 transaction transaction transaction (Dijstra, 2017 ACM/ICPC Asia Regional Shenyang Online)
- react-native demo
- Leetcode 202 Happy Number
- windows 获取当前进程所占内存