參考資料：有基礎(chǔ)（Pytorch/TensorFlow基礎(chǔ)）mxnet+gluon快速入門

symbol

symbol 是一個(gè)重要的概念，可以理解為符號(hào)，就像我們平時(shí)使用的代數(shù)符號(hào) x，y，z 一樣。一個(gè)簡(jiǎn)單的類比，一個(gè)函數(shù) \(f(x) = x^{2}\)，符號(hào) x 就是 symbol，而具體 x 的值就是 ndarray，關(guān)于 symbol 的是 mxnet.sym，具體可參照官方API文檔

基本操作

• 使用 mxnet.sym.Variable() 傳入名稱可建立一個(gè) symbol
• 使用 mxnet.viz.plot_network(symbol=) 傳入 symbol 可以繪制運(yùn)算圖

import os os.environ["PATH"] += os.pathsep + 'C:/Program Files (x86)/Graphviz/bin/' # 解決 path 錯(cuò)誤 import mxnet as mxa = mx.sym.Variable('a') b = mx.sym.Variable('b') c = mx.sym.add_n(a,b,name="c") mx.viz.plot_network(symbol=c)

帶入 ndarray

使用 mxnet.sym.bind() 方法可以獲得一個(gè)帶入操作數(shù)的對(duì)象，再使用 forward() 方法可運(yùn)算出數(shù)值

x = c.bind(ctx=mx.cpu(),args={"a": mx.nd.ones(5),"b":mx.nd.ones(5)}) result = x.forward() print(result) [ [2. 2. 2. 2. 2.] <NDArray 5 @cpu(0)>]

mxnet 的數(shù)據(jù)載入

深度學(xué)習(xí)中數(shù)據(jù)的載入方式非常重要，mxnet 提供了 mxnet.io 的一系列 dataiter 用于處理數(shù)據(jù)載入，詳細(xì)可參照官方API文檔。同時(shí)，動(dòng)態(tài)圖接口gluon 也提供了 mxnet.gluon.data 系列的 dataiter 用于數(shù)據(jù)載入,詳細(xì)可參照官方API文檔

mxnet.io 數(shù)據(jù)載入

mxnet.io的數(shù)據(jù)載入核心是 mxnet.io.DataIter 類及其派生類，例如 ndarray 的 iter：NDArrayIter

• 參數(shù) data：傳入一個(gè)(名稱-數(shù)據(jù))的數(shù)據(jù) dict
• 參數(shù) label：傳入一個(gè)(名稱-標(biāo)簽)的標(biāo)簽 dict
• 參數(shù) batch_size：傳入 batch 大小

dataset = mx.io.NDArrayIter(data={'data':mx.nd.ones((10,5))},label={'label':mx.nd.arange(10)},batch_size=5) for i in dataset: print(i) print(i.data,type(i.data[0])) print(i.label,type(i.label[0])) DataBatch: data shapes: [(5, 5)] label shapes: [(5,)] [ [[1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.]] <NDArray 5x5 @cpu(0)>] <class 'mxnet.ndarray.ndarray.NDArray'> [ [0. 1. 2. 3. 4.] <NDArray 5 @cpu(0)>] <class 'mxnet.ndarray.ndarray.NDArray'> DataBatch: data shapes: [(5, 5)] label shapes: [(5,)] [ [[1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.]] <NDArray 5x5 @cpu(0)>] <class 'mxnet.ndarray.ndarray.NDArray'> [ [5. 6. 7. 8. 9.] <NDArray 5 @cpu(0)>] <class 'mxnet.ndarray.ndarray.NDArray'>

gluon.data 數(shù)據(jù)載入

gluon 的數(shù)據(jù) API 幾乎與 pytorch 相同，均是 Dataset+DataLoader 的方式：

• Dataset：存儲(chǔ)數(shù)據(jù)，使用時(shí)需要繼承該基類并重載 __len__(self) 和 __getitem__(self,idx) 方法
• DataLoader：將 Dataset 變成能產(chǎn)生 batch 的可迭代對(duì)象

dataset = mx.gluon.data.ArrayDataset(mx.nd.ones((10,5)),mx.nd.arange(10)) loader = mx.gluon.data.DataLoader(dataset,batch_size=5) for i,data in enumerate(loader): print(i) print(data) 0 [ [[1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.]] <NDArray 5x5 @cpu(0)>, [0. 1. 2. 3. 4.] <NDArray 5 @cpu(0)>] 1 [ [[1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.]] <NDArray 5x5 @cpu(0)>, [5. 6. 7. 8. 9.] <NDArray 5 @cpu(0)>] class TestSet(mx.gluon.data.Dataset):def __init__(self): self.x = mx.nd.zeros((10,5)) self.y = mx.nd.arange(10) def __getitem__(self,i): return self.x[i],self.y[i] def __len__(self): return 10 for i,data in enumerate(mx.gluon.data.DataLoader(TestSet(),batch_size=5)): print(data) [ [[0. 0. 0. 0. 0.][0. 0. 0. 0. 0.][0. 0. 0. 0. 0.][0. 0. 0. 0. 0.][0. 0. 0. 0. 0.]] <NDArray 5x5 @cpu(0)>, [[0.][1.][2.][3.][4.]] <NDArray 5x1 @cpu(0)>] [ [[0. 0. 0. 0. 0.][0. 0. 0. 0. 0.][0. 0. 0. 0. 0.][0. 0. 0. 0. 0.][0. 0. 0. 0. 0.]] <NDArray 5x5 @cpu(0)>, [[5.][6.][7.][8.][9.]] <NDArray 5x1 @cpu(0)>]

網(wǎng)絡(luò)搭建

mxnet 網(wǎng)絡(luò)搭建

mxnet 網(wǎng)絡(luò)搭建類似于 TensorFlow，使用 symbol 搭建出網(wǎng)絡(luò)，再用一個(gè) module 封裝

data = mx.sym.Variable('data') # layer1 conv1 = mx.sym.Convolution(data=data, kernel=(5,5), num_filter=32,name="conv1") relu1 = mx.sym.Activation(data=conv1,act_type="relu",name="relu1") pool1 = mx.sym.Pooling(data=relu1,pool_type="max",kernel=(2,2),stride=(2,2),name="pool1") # layer2 conv2 = mx.sym.Convolution(data=pool1, kernel=(3,3), num_filter=64,name="conv2") relu2 = mx.sym.Activation(data=conv2,act_type="relu",name="relu2") pool2 = mx.sym.Pooling(data=relu2,pool_type="max",kernel=(2,2),stride=(2,2),name="pool2") # layer3 fc1 = mx.symbol.FullyConnected(data=mx.sym.flatten(pool2), num_hidden=256,name="fc1") relu3 = mx.sym.Activation(data=fc1, act_type="relu",name="relu3") # layer4 fc2 = mx.symbol.FullyConnected(data=relu3, num_hidden=10,name="fc2") out = mx.sym.SoftmaxOutput(data=fc2, label=mx.sym.Variable("label"),name='softmax') mxnet_model = mx.mod.Module(symbol=out,label_names=["label"],context=mx.gpu()) mx.viz.plot_network(symbol=out)

福利：剛剛發(fā)現(xiàn)一個(gè)解決路徑錯(cuò)誤的方法：只需要將 *\Anaconda3\Library\bin\graphviz 添加到 Path 環(huán)境變量之下即可 (安裝后記得重啟，環(huán)境變量修改才可以生效，調(diào)用庫(kù)，即可成功)！

轉(zhuǎn)載于:https://www.cnblogs.com/q735613050/p/9315504.html

總結(jié)

以上是生活随笔為你收集整理的MXNet——symbol的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。