MXNET学习笔记(一):Module类(1)

来源:互联网 发布:sfp端口是什么 编辑:程序博客网 时间:2024/05/16 13:58

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 logginglogging.getLogger().setLevel(logging.INFO)import mxnet as mximport numpy as npfname = 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 = 32ntrain = 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 metricmetric = mx.metric.create('acc')# train 5 epochs, i.e. going over the data iter one passfor 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。
原创粉丝点击