Apache MXNet - Python API 符号

---

在本章中，我们将学习 MXNet 中的一个接口，称为 Symbol。

MXnet.ndarray

Apache MXNet 的 Symbol API 是符号编程的接口。Symbol API 的特点是使用以下内容 -

• 计算图

• 减少内存使用

• 前置功能优化

下面给出的示例展示了如何使用 MXNet 的 Symbol API 创建一个简单的表达式 -

使用常规 Python 列表中的一维和二维“数组”的 NDArray -

import mxnet as mx
# Two placeholders namely x and y will be created with mx.sym.variable
x = mx.sym.Variable('x')
y = mx.sym.Variable('y')
# The symbol here is constructed using the plus ‘+’ operator.
z = x + y

输出

您将看到以下输出 -

<Symbol _plus0>

例子

(x, y, z)

输出

输出如下 -

(<Symbol x>, <Symbol y>, <Symbol _plus0>)

现在让我们详细讨论MXNet的ndarray API的类、函数和参数。

课程

下表包含 MXNet 的 Symbol API 的类 -

函数及其参数

以下是 mxnet.Symbol API 涵盖的一些重要函数及其参数 -

实施示例

在下面的示例中，我们将使用函数power()，它将返回基元素从 exp 元素求幂的逐元素结果：

import mxnet as mx
mx.sym.power(3, 5)

输出

您将看到以下输出 -

243

例子

x = mx.sym.Variable('x')
y = mx.sym.Variable('y')
z = mx.sym.power(x, 3)
z.eval(x=mx.nd.array([1,2]))[0].asnumpy()

输出

这会产生以下输出 -

array([1., 8.], dtype=float32)

例子

z = mx.sym.power(4, y)
z.eval(y=mx.nd.array([2,3]))[0].asnumpy()

输出

当您执行上述代码时，您应该看到以下输出 -

array([16., 64.], dtype=float32)

例子

z = mx.sym.power(x, y)
z.eval(x=mx.nd.array([4,5]), y=mx.nd.array([2,3]))[0].asnumpy()

输出

输出如下 -

array([ 16., 125.], dtype=float32)

在下面给出的示例中，我们将使用函数SoftmaxActivation() （或 softmax()），该函数将应用于输入并用于内部层。

input_data = mx.nd.array([[2., 0.9, -0.5, 4., 8.], [4., -.7, 9., 2., 0.9]])
soft_max_act = mx.nd.softmax(input_data)
print (soft_max_act.asnumpy())

输出

您将看到以下输出 -

[[2.4258138e-03 8.0748333e-04 1.9912292e-04 1.7924475e-02 9.7864312e-01]
[6.6843745e-03 6.0796250e-05 9.9204916e-01 9.0463174e-04 3.0112563e-04]]

符号.contrib

Contrib NDArray API 在 symbol.contrib 包中定义。它通常为新功能提供许多有用的实验性 API。该 API 为社区提供了一个可以尝试新功能的地方。功能贡献者也会得到反馈。

函数及其参数

以下是mxnet.symbol.contrib API涵盖的一些重要函数及其参数-

实施示例

在下面的示例中，我们将使用函数 rand_zipfian 从近似 Zipfian 分布中抽取随机样本 -

import mxnet as mx
true_cls = mx.sym.Variable('true_cls')
samples, exp_count_true, exp_count_sample = mx.sym.contrib.rand_zipfian(true_cls, 5, 6)
samples.eval(true_cls=mx.nd.array([3]))[0].asnumpy()

输出

您将看到以下输出 -

array([4, 0, 2, 1, 5], dtype=int64)

例子

exp_count_true.eval(true_cls=mx.nd.array([3]))[0].asnumpy()

输出

输出如下 -

array([0.57336551])

例子

exp_count_sample.eval(true_cls=mx.nd.array([3]))[0].asnumpy()

输出

您将看到以下输出 -

array([1.78103594, 0.46847373, 1.04183923, 0.57336551, 1.04183923])

在下面的示例中，我们将使用函数while_loop运行 while 循环以进行用户定义的计算和循环条件 -

cond = lambda i, s: i <= 7
func = lambda i, s: ([i + s], [i + 1, s + i])
loop_vars = (mx.sym.var('i'), mx.sym.var('s'))
outputs, states = mx.sym.contrib.while_loop(cond, func, loop_vars, max_iterations=10)
print(outputs)

输出

输出如下：

[<Symbol _while_loop0>]

例子

Print(States)

输出

这会产生以下输出 -

[<Symbol _while_loop0>, <Symbol _while_loop0>]

在下面的示例中，我们将使用函数index_copy将 new_tensor 的元素复制到 old_tensor 中。

import mxnet as mx
a = mx.nd.zeros((6,3))
b = mx.nd.array([[1,2,3],[4,5,6],[7,8,9]])
index = mx.nd.array([0,4,2])
mx.nd.contrib.index_copy(a, index, b)

输出

当您执行上述代码时，您应该看到以下输出 -

[[1. 2. 3.]
[0. 0. 0.]
[7. 8. 9.]
[0. 0. 0.]
[4. 5. 6.]
[0. 0. 0.]]
<NDArray 6x3 @cpu(0)>

符号.图像

图像符号 API 在 symbol.image 包中定义。顾名思义，它通常用于图像及其特征。

函数及其参数

以下是mxnet.symbol.image API涵盖的一些重要函数及其参数-

实施示例

在下面的示例中，我们将使用函数 to_tensor 将形状 (H x W x C) 或 (N x H x W x C) 且值在 [0, 255] 范围内的图像 NDArray 转换为张量 NDArray形状为 (C x H x W) 或 (N x C x H x W)，其值在 [0, 1] 范围内。

import numpy as np

img = mx.sym.random.uniform(0, 255, (4, 2, 3)).astype(dtype=np.uint8)

mx.sym.image.to_tensor(img)

输出

输出如下：

<Symbol to_tensor4>

例子

img = mx.sym.random.uniform(0, 255, (2, 4, 2, 3)).astype(dtype=np.uint8)

mx.sym.image.to_tensor(img)

输出

输出如下：

<Symbol to_tensor5>

在下面的示例中，我们将使用函数 normalize() 使用均值和标准差 (SD)对形状 (C x H x W) 或 (N x C x H x W) 的张量进行归一化。

img = mx.sym.random.uniform(0, 1, (3, 4, 2))

mx.sym.image.normalize(img, mean=(0, 1, 2), std=(3, 2, 1))

输出

下面给出的是代码的输出 -

<Symbol normalize0>

例子

img = mx.sym.random.uniform(0, 1, (2, 3, 4, 2))

mx.sym.image.normalize(img, mean=(0, 1, 2), std=(3, 2, 1))

输出

输出如下所示 -

<Symbol normalize1>

符号.随机

随机符号 API 在 symbol.random 包中定义。顾名思义，它是 MXNet 的随机分布生成器 Symbol API。

函数及其参数

以下是mxnet.symbol.random API涵盖的一些重要函数及其参数-

实施示例

在下面的示例中，我们将使用 shuffle() 函数随机打乱元素。它将沿第一个轴打乱数组。

data = mx.nd.array([[0, 1, 2], [3, 4, 5], [6, 7, 8],[9,10,11]])
x = mx.sym.Variable('x')
y = mx.sym.random.shuffle(x)
y.eval(x=data)

输出

您将看到以下输出：

[
[[ 9. 10. 11.]
[ 0. 1. 2.]
[ 6. 7. 8.]
[ 3. 4. 5.]]
<NDArray 4x3 @cpu(0)>]

例子

y.eval(x=data)

输出

当您执行上述代码时，您应该看到以下输出 -

[
[[ 6. 7. 8.]
[ 0. 1. 2.]
[ 3. 4. 5.]
[ 9. 10. 11.]]
<NDArray 4x3 @cpu(0)>]

在下面的示例中，我们将从广义负二项分布中抽取随机样本。为此，将使用函数Generalized_ Negative_binomial()。

mx.sym.random.generalized_negative_binomial(10, 0.1)

输出

输出如下 -

<Symbol _random_generalized_negative_binomial0>

符号.稀疏

稀疏符号 API 在 mxnet.symbol.sparse 包中定义。顾名思义，它提供稀疏神经网络图和 CPU 上的自动微分。

函数及其参数

以下是mxnet.symbol.sparse API涵盖的一些重要函数（包括符号创建例程、符号操作例程、数学函数、三角函数、双曲函数、Reduce 函数、舍入、幂、神经网络）及其参数-