Apache MXNet - Python API 模块

---

Apache MXNet 的模块 API 类似于前馈模型，并且与 Torch 模块类似，更容易编写。它由以下类组成 -

基本模块（[记录器]）

它代表模块的基类。模块可以被认为是计算组件或计算机器。模块的工作是执行前向和后向传递。它还更新模型中的参数。

方法

下表显示了BaseModule 类中包含的方法-

属性

下表显示了BaseModule类的方法中包含的属性-

data_shapes：您可以参考https://mxnet.apache.org上提供的链接了解详细信息。输出形状：更多

output_shapes：更多信息请访问https://mxnet.apache.org/api/python

BucketingModule(sym_gen[…])

它代表模块的Bucketingmodule类，有助于有效地处理不同长度的输入。

方法

下表显示了BucketingModule 类中包含的方法-

属性

下表显示了BaseModule 类的方法中包含的属性-

data_shapes - 您可以参考https://mxnet.apache.org/api/python/docs上的链接以获取更多信息。

output_shapes− 您可以参考https://mxnet.apache.org/api/python/docs上的链接以获取更多信息。

模块（符号[，数据名称，标签名称，...]）

它代表一个包装符号的基本模块。

方法

下表显示了Module 类中包含的方法-

属性

下表显示了Module 类方法中包含的属性-

data_shapes：访问链接https://mxnet.apache.org/api/python/docs/api/module了解更多详细信息。

output_shapes：此处给出的链接https://mxnet.apache.org/api/python/docs/api/module/index.html将提供其他重要信息。

PythonLossModule([名称,data_names,…])

此类的基础是mxnet.module.python_module.PythonModule。PythonLossModule 类是一个方便的模块类，它将所有或许多模块 API 实现为空函数。

方法

下表显示了PythonLossModule类中包含的方法：

PythonModule([数据名称,标签名称...])

该类的基础是 mxnet.module.base_module.BaseModule。PythonModule 类也是一个方便的模块类，它将所有或许多模块 API 实现为空函数。

方法

下表显示了PythonModule类中包含的方法-

属性

下表显示了PythonModule类的方法中包含的属性-

data_shapes - 请点击链接https://mxnet.apache.org了解详细信息。

output_shapes - 有关更多详细信息，请访问https://mxnet.apache.org上提供的链接

顺序模块（[记录器]）

该类的基础是 mxnet.module.base_module.BaseModule。SequentialModule 类也是一个容器模块，可以将两个以上（多个）模块链接在一起。

方法

下表显示了SequentialModule类中包含的方法

属性

下表显示了 BaseModule 类的方法中包含的属性 -

data_shapes - 此处给出的链接https://mxnet.apache.org将帮助您详细了解该属性。

output_shapes - 请点击https://mxnet.apache.org/api上的链接了解详细信息。

实施示例

在下面的示例中，我们将创建一个mxnet模块。

import mxnet as mx
input_data = mx.symbol.Variable('input_data')
f_connected1 = mx.symbol.FullyConnected(data, name='f_connected1', num_hidden=128)
activation_1 = mx.symbol.Activation(f_connected1, name='relu1', act_type="relu")
f_connected2 = mx.symbol.FullyConnected(activation_1, name = 'f_connected2', num_hidden = 64)
activation_2 = mx.symbol.Activation(f_connected2, name='relu2',
act_type="relu")
f_connected3 = mx.symbol.FullyConnected(activation_2, name='fc3', num_hidden=10)
out = mx.symbol.SoftmaxOutput(f_connected3, name = 'softmax')
mod = mx.mod.Module(out)
print(out)

输出

输出如下 -

<Symbol softmax>

例子

print(mod)

输出

输出如下所示 -

<mxnet.module.module.Module object at 0x00000123A9892F28>

在下面的示例中，我们将实现前向计算

import mxnet as mx
from collections import namedtuple
Batch = namedtuple('Batch', ['data'])
data = mx.sym.Variable('data')
out = data * 2
mod = mx.mod.Module(symbol=out, label_names=None)
mod.bind(data_shapes=[('data', (1, 10))])
mod.init_params()
data1 = [mx.nd.ones((1, 10))]
mod.forward(Batch(data1))
print (mod.get_outputs()[0].asnumpy())

输出

当您执行上述代码时，您应该看到以下输出 -

[[2. 2. 2. 2. 2. 2. 2. 2. 2. 2.]]

例子

data2 = [mx.nd.ones((3, 5))]

mod.forward(Batch(data2))
print (mod.get_outputs()[0].asnumpy())

输出

下面给出的是代码的输出 -

[[2. 2. 2. 2. 2.]
[2. 2. 2. 2. 2.]
[2. 2. 2. 2. 2.]]