MXNet 核心接口

from mxnet import cpu, gpu, nd           

Context

Context

是模型的数据放置的环境：

a = nd.array([2, 4], ctx=cpu())
a1 = nd.array([3, 7], ctx=gpu(0))
a.context, a1.context           

(cpu(0), gpu(0))
           

当然，也可以在 CPU 与 GPU 之间进行复制。

a2 = a.copyto(a1)   # 要求 a 与 a1 有相同的 shape
a1 is a2, a2.context           

(True, gpu(0))
           

a1  # a1 被修改了           

[2. 4.]
<NDArray 2 @gpu(0)>
           

为了进行深度复制，需要使用：

a3 = nd.array([3, 9])
a4 = a3.as_in_context(gpu(0))
a3 is a4, a3.context, a4.context           

(False, cpu(0), gpu(0))
           

Symbol

• Symbol

  的基本函数 - 定义计算图

• Symbol.infer_type

  : 推导当前 Symbol 所依赖的所有 Symbol 数据类型

• Symbol.infer_shape

  : 推导当前 Symbol 所依赖的所有 Symbol 的形状

• Symbol.list_argments

  : 列出当前 Symbol 所用到的基本参数名称

• Symbo.list_outputs

  : 列出当前 Symbol 的输出名称

• Symbol.list_auxiliary_states

  : 列出当前 Symbol 的辅助参量名称

from mxnet import sym, symbol           

X = sym.Variable('X')
out = sym.FullyConnected(data=X, name='fc1', num_hidden=1000)
out = symbol.BatchNorm(out, name='batchnorm')
out = sym.Activation(data=out, act_type='relu')
out = sym.FullyConnected(data=out, name='fc2', num_hidden=10)
arg_types, out_types, aux_types = out.infer_type(X='float32')
arg_types, out_types, aux_types           

([numpy.float32,
  numpy.float32,
  numpy.float32,
  numpy.float32,
  numpy.float32,
  numpy.float32,
  numpy.float32],
 [numpy.float32],
 [numpy.float32, numpy.float32])
           

arg_shapes, out_shapes, aux_shapes = out.infer_shape(X=(100,784))
arg_shapes, out_shapes, aux_shapes           

([(100, 784), (1000, 784), (1000,), (1000,), (1000,), (10, 1000), (10,)],
 [(100, 10)],
 [(1000,), (1000,)])
           

out.list_arguments()           

['X',
 'fc1_weight',
 'fc1_bias',
 'batchnorm_gamma',
 'batchnorm_beta',
 'fc2_weight',
 'fc2_bias']
           

out.list_outputs()           

['fc2_output']
           

out.list_auxiliary_states()           

['batchnorm_moving_mean', 'batchnorm_moving_var']
           

Symbol 如何获取中间节点

在定义好一个网络之后，如何去获取任何一个节点的输出值对于深度神经网络的迁移来说非常重要，因为在使用时通常并不是自己从头开始训练一个网络，而是在别人训练好的网络基础上根据自己的问题进行微调。

X = sym.Variable('X')
fc1 = sym.FullyConnected(data=X, name='fc1', num_hidden=1000)
act = sym.Activation(data=fc1, act_type='relu')
fc2 = sym.FullyConnected(data=act, name='fc2', num_hidden=10)
net = sym.SoftmaxOutput(fc2, name="softmax")
net.get_internals()           

<Symbol group [X, fc1_weight, fc1_bias, fc1, activation0, fc2_weight, fc2_bias, fc2, softmax_label, softmax]>
           

subnet = net.get_internals()['fc2_output']
subnet, subnet.list_arguments()           

(<Symbol fc2>, ['X', 'fc1_weight', 'fc1_bias', 'fc2_weight', 'fc2_bias'])
           

首先使用

get_internals()

获取整个 Symbol 的子图，输出是整个内部节点的输出节点列表。然后可以通过索引获取网络的子图。在上面的例子中，我们获取网络层的倒数第二层 fc2，可以看到 fc2 也是一个 Symbol 对象。

fc2.list_arguments()           

['X', 'fc1_weight', 'fc1_bias', 'fc2_weight', 'fc2_bias']
           

同理，有：

subnet = net.get_internals()['fc1_output']
subnet.list_arguments()           

['X', 'fc1_weight', 'fc1_bias']
           

图的拼接

假如，我们拿到了别人训练好的网络参数文件和网络结构文件，我们可以固定网络图的前部分，在尾部添加额外的 Symbol 节点，但是在网络的头部替换输入节点较困难。

X = sym.Variable('X')
fc1 =  sym.FullyConnected(data=X, name='fc1', num_hidden=1000)
act =  sym.Activation(data=fc1, act_type='relu',name='act')
fc2 =  sym.FullyConnected(data=act, name='fc2', num_hidden=10)
net = sym.SoftmaxOutput(fc2,name="softmax")
net.save('model.symbol.json')           

如上面所示，我们先定义好了一个 包含 10 个输出节点网络，然后将 Smbol 网络保存到 json 文件。接下来我们重新加载这个 json 文件，并且在网络结尾处重新修改网络层的输出为 20。

net = sym.load('model.symbol.json')
net.get_internals().list_outputs()           

['X',
 'fc1_weight',
 'fc1_bias',
 'fc1_output',
 'act_output',
 'fc2_weight',
 'fc2_bias',
 'fc2_output',
 'softmax_label',
 'softmax_output']
           

newnet = net.get_internals()['act_output']
newnet = sym.FullyConnected(data=fc1,num_hidden=20,name ='fc2_new')
newnet = sym.SoftmaxOutput(data=newnet,name='softmax_new')
newnet.get_internals().list_outputs()           

['X',
 'fc1_weight',
 'fc1_bias',
 'fc1_output',
 'fc2_new_weight',
 'fc2_new_bias',
 'fc2_new_output',
 'softmax_new_label',
 'softmax_new_output']
           

Metric

Metric 是用来衡量模型效果的接口

当我们定义好一个 Metric，比如说 Accuracy , 然后将 Accuracy 交给 Module 托管的时候，在每个 Epoch 结束时，会自动调用 update 方法，计算 正确预测的样本数量和总共的样本数量，进而调用父类中的 get 方法，计算出最后的 Acc。

from mxnet import metric

predicts = [nd.array([[0.3, 0.7], [0, 1.], [0.4, 0.6]])]
labels   = [nd.array([0, 1, 1])]
acc = metric.Accuracy()
acc.update(preds = predicts, labels = labels)
acc.get()           

('accuracy', 0.6666666666666666)
           

Metric Hack 分析

如果我们想要定义 自己的 Metric 类,需要完成下面几步：

• 继承

  metric.EvalMetric

  接口，重新定义

  update

  方法，update 传入参数分析：
  • labels :

    list

    类型，每个元素对应 DataBatch 中的

    label

  • predicts

    :

    list

    类型， 是 Loss Symbol 中 label 外的输入，因此

    list

    中的元素个数与网络上

    loss

    的个数有关

1. 函数需要完成：

• 更新属性

  sum_metric

  和

  num_inst

  的值，mxnet 会调用

  get

  函数中的

  self.sum_metric / self.num_inst

  来计算当前

  metric

  的输出值。
• 与一个特殊的

  Callback

  类有关:

  Speedometer

  会自动打印出所有

  metric

  的值。

转载：

https://www.imooc.com/article/278837