Apache Mxnet 简明教程
Apache MXNet - Gluon
另一个最重要的 MXNet Python 包是 Gluon。在本章中，我们将讨论此包。Gluon 为深度学习项目提供了一个清晰、简洁、简单的 API。它使 Apache MXNet 能够构建原型、构建和训练深度学习模型，同时不会牺牲训练速度。
Blocks
Blocks 构成了更复杂网络设计的基础。在神经网络中，随着神经网络的复杂性增加，我们需要从设计单个神经元转向整个层。例如，诸如 ResNet-152 等神经网络设计通过包含 blocks 重复层具有非常公平的规律性。
Example
在下面给出的示例中，我们将编写一个简单的块，即多层感知器的块。
from mxnet import nd
from mxnet.gluon import nn
x = nd.random.uniform(shape=(2, 20))
N_net = nn.Sequential()
N_net.add(nn.Dense(256, activation='relu'))
N_net.add(nn.Dense(10))
N_net.initialize()
N_net(x)Output
这会生成以下输出：
[[ 0.09543004 0.04614332 -0.00286655 -0.07790346 -0.05130241 0.02942038
0.08696645 -0.0190793 -0.04122177 0.05088576]
[ 0.0769287 0.03099706 0.00856576 -0.044672 -0.06926838 0.09132431
0.06786592 -0.06187843 -0.03436674 0.04234696]]
<NDArray 2x10 @cpu(0)>从定义层到定义一个或多个层的块所需的步骤 −
Step 1 − 块将数据作为输入。
Step 2 − 现在，块将以参数的形式存储状态。例如，在上述编码示例中，块包含两个隐藏层，我们需要一个地方来存储其参数。
Step 3 − 下一个块将调用前向函数来执行前向传播。它也被称为前向计算。作为第一次前向调用的一个部分，块将以惰性方式初始化参数。
Step 4 − 最后，块将调用反向函数并计算相对于其输入的梯度。通常，此步骤会自动执行。
Sequential Block
顺序块是数据通过一系列块流过其中的特殊类型的块。其中，每个块应用于前一个块的输出，第一块应用于输入数据本身。
让我们看看 sequential 类如何工作 −
from mxnet import nd
from mxnet.gluon import nn
class MySequential(nn.Block):
def __init__(self, **kwargs):
super(MySequential, self).__init__(**kwargs)
def add(self, block):
self._children[block.name] = block
def forward(self, x):
for block in self._children.values():
x = block(x)
return x
x = nd.random.uniform(shape=(2, 20))
N_net = MySequential()
N_net.add(nn.Dense(256, activation
='relu'))
N_net.add(nn.Dense(10))
N_net.initialize()
N_net(x)Output
输出与此一同给出 −
[[ 0.09543004 0.04614332 -0.00286655 -0.07790346 -0.05130241 0.02942038
0.08696645 -0.0190793 -0.04122177 0.05088576]
[ 0.0769287 0.03099706 0.00856576 -0.044672 -0.06926838 0.09132431
0.06786592 -0.06187843 -0.03436674 0.04234696]]
<NDArray 2x10 @cpu(0)>Custom Block
我们可以轻松地通过如上定义的顺序块超越级联。但是，如果我们想要进行自定义，则 Block 类也为我们提供了所需的功能。块类具有由 nn 模块提供的模型构造函数。我们可以继承该模型构造函数来定义我们想要的模型。
在以下示例中， MLP class 覆盖了块类的 init 和正向函数。
让我们看看它的工作原理。
class MLP(nn.Block):
def __init__(self, **kwargs):
super(MLP, self).__init__(**kwargs)
self.hidden = nn.Dense(256, activation='relu') # Hidden layer
self.output = nn.Dense(10) # Output layer
def forward(self, x):
hidden_out = self.hidden(x)
return self.output(hidden_out)
x = nd.random.uniform(shape=(2, 20))
N_net = MLP()
N_net.initialize()
N_net(x)Output
当运行代码时，您将看到以下输出：
[[ 0.07787763 0.00216403 0.01682201 0.03059879 -0.00702019 0.01668715
0.04822846 0.0039432 -0.09300035 -0.04494302]
[ 0.08891078 -0.00625484 -0.01619131 0.0380718 -0.01451489 0.02006172
0.0303478 0.02463485 -0.07605448 -0.04389168]]
<NDArray 2x10 @cpu(0)>Custom Layers
Apache MXNet 的 Gluon API 带有少量预定义层。但有时候，我们可能会发现需要一个新层。我们可以在 Gluon API 中轻松添加一个新层。在本节中，我们将看到我们如何从头开始创建一个新层。
The Simplest Custom Layer
要在 Gluon API 中创建新层，我们必须创建一个从 Block 类继承的类，它提供了最基本的功能。我们可以直接或通过其他子类从它继承所有预定义的层。
要创建新层，只需要实现唯一的实例方法 forward (self, x) 。此方法定义了我们的层将在正向传播期间确切执行什么操作。如前所述，块的反向传播传递将由 Apache MXNet 本身自动完成。
Example
在下面的示例中，我们将定义一个新层。我们还将实现 forward() 方法，通过将输入数据拟合到 [0, 1] 的范围内来标准化输入数据。
from __future__ import print_function
import mxnet as mx
from mxnet import nd, gluon, autograd
from mxnet.gluon.nn import Dense
mx.random.seed(1)
class NormalizationLayer(gluon.Block):
def __init__(self):
super(NormalizationLayer, self).__init__()
def forward(self, x):
return (x - nd.min(x)) / (nd.max(x) - nd.min(x))
x = nd.random.uniform(shape=(2, 20))
N_net = NormalizationLayer()
N_net.initialize()
N_net(x)Output
在执行上述程序后，您将获得以下结果−
[[0.5216355 0.03835821 0.02284337 0.5945146 0.17334817 0.69329053
0.7782702 1. 0.5508242 0. 0.07058554 0.3677264
0.4366546 0.44362497 0.7192635 0.37616986 0.6728799 0.7032008
0.46907538 0.63514024]
[0.9157533 0.7667402 0.08980197 0.03593295 0.16176797 0.27679572
0.07331014 0.3905285 0.6513384 0.02713427 0.05523694 0.12147208
0.45582628 0.8139887 0.91629887 0.36665893 0.07873632 0.78268915
0.63404864 0.46638715]]
<NDArray 2x20 @cpu(0)>Hybridisation
它可以定义为 Apache MXNet 用于创建正向计算的符号图的过程。混合允许 MXNet 通过优化计算符号图来提高计算性能。实际上，我们可能会发现，在实现现有层时，块从 HybridBlock 继承，而不是直接继承自 Block 。
原因如下 −
-
Allows us to write custom layers: HybridBlock 允许我们编写自定义层，这些层可以在命令式和符号编程中进一步使用。
-
Increase computation performance − HybridBlock 优化计算符号图，允许 MXNet 提高计算性能。
Example
在此示例中，我们将通过使用 HybridBlock 重写我们上面创建的示例层：
class NormalizationHybridLayer(gluon.HybridBlock):
def __init__(self):
super(NormalizationHybridLayer, self).__init__()
def hybrid_forward(self, F, x):
return F.broadcast_div(F.broadcast_sub(x, F.min(x)), (F.broadcast_sub(F.max(x), F.min(x))))
layer_hybd = NormalizationHybridLayer()
layer_hybd(nd.array([1, 2, 3, 4, 5, 6], ctx=mx.cpu()))Output
输出如下所示：
[0. 0.2 0.4 0.6 0.8 1. ]
<NDArray 6 @cpu(0)>混合与 GPU 上的计算无关，人们可以在 CPU 和 GPU 上训练混合网络和非混合网络。
Difference between Block and HybridBlock
如果我们将 Block 类与 HybridBlock 类进行比较，我们会看到 HybridBlock 已经实现了它的 forward() 方法。 HybridBlock 定义了在创建层时需要实现的 hybrid_forward() 方法。F 参数创建了 forward() 和 hybrid_forward() 之间的主要区别。在 MXNet 社区中，F 参数被称为后端。F 可以引用 mxnet.ndarray API （用于命令式编程）或 mxnet.symbol API （用于符号编程）。
How to add custom layer to a network?
除了单独使用自定义层之外，这些层还与预定义的层一起使用。我们可以使用 Sequential 或 HybridSequential 容器来从顺序神经网络。如上所述， Sequential 容器分别继承自 Block 和 HybridSequential 继承自 HybridBlock 。
Example
在下面的示例中，我们将创建一个具有自定义层并且简单的神经网络。 Dense (5) 层的输出将成为 NormalizationHybridLayer 的输入。 NormalizationHybridLayer 的输出将成为 Dense (1) 层的输入。
net = gluon.nn.HybridSequential()
with net.name_scope():
net.add(Dense(5))
net.add(NormalizationHybridLayer())
net.add(Dense(1))
net.initialize(mx.init.Xavier(magnitude=2.24))
net.hybridize()
input = nd.random_uniform(low=-10, high=10, shape=(10, 2))
net(input)Output
您将看到以下输出 −
[[-1.1272651]
[-1.2299833]
[-1.0662932]
[-1.1805027]
[-1.3382034]
[-1.2081106]
[-1.1263978]
[-1.2524893]
[-1.1044774]
[-1.316593 ]]
<NDArray 10x1 @cpu(0)>Custom layer parameters
在神经网络中，一层具有一组与其关联的参数。有时我们称之为权重，它是一层的内部状态。这些参数起着不同的作用 −
-
有时这些是我们在反向传播步骤中希望了解的内容。
-
有时这些只是我们在向前传递中想要使用的常量。
如果我们讨论编程概念，则这些参数（权重）通过 ParameterDict 类存储并访问，该类有助于其初始化、更新、保存和加载。
Example
在下面的示例中，我们将定义以下两组参数 −
-
Parameter weights − 这是可训练的，在构建阶段其形状未知。它将在第一次向前传播运行时被推断出来。
-
Parameter scale − 这是一个常量，其值不会更改。与参数权重相反，其形状是在构建期间定义的。
class NormalizationHybridLayer(gluon.HybridBlock):
def __init__(self, hidden_units, scales):
super(NormalizationHybridLayer, self).__init__()
with self.name_scope():
self.weights = self.params.get('weights',
shape=(hidden_units, 0),
allow_deferred_init=True)
self.scales = self.params.get('scales',
shape=scales.shape,
init=mx.init.Constant(scales.asnumpy()),
differentiable=False)
def hybrid_forward(self, F, x, weights, scales):
normalized_data = F.broadcast_div(F.broadcast_sub(x, F.min(x)),
(F.broadcast_sub(F.max(x), F.min(x))))
weighted_data = F.FullyConnected(normalized_data, weights, num_hidden=self.weights.shape[0], no_bias=True)
scaled_data = F.broadcast_mul(scales, weighted_data)
return scaled_data