Apache MXNet - Python API 模块

---

---

Apache MXNet 的模块 API 类似于一个前馈模型，并且更容易组合，类似于 Torch 模块。它包含以下类：

BaseModule([logger])

它表示模块的基类。模块可以被认为是计算组件或计算机器。模块的任务是执行前向和反向传递。它还会更新模型中的参数。

方法

下表显示了BaseModule 类中包含的方法：

属性

下表显示了BaseModule类方法中包含的属性：

data_shapes：您可以参考https://mxnet.apache.org上的链接以获取详细信息。output_shapes：更多

output_shapes：更多信息可在https://mxnet.apache.org/api/python找到

BucketingModule(sym_gen[…])

它表示模块的Bucketingmodule类，该类有助于有效地处理长度不同的输入。

方法

下表显示了BucketingModule 类中包含的方法：

属性

下表显示了BaseModule 类方法中包含的属性：

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

output_shapes - 您可以参考https://mxnet.apache.org/api/python/docs以获取更多信息。

Module(symbol[,data_names, label_names,…])

它表示包装symbol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以获取更多详细信息。

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

PythonLossModule([name,data_names,…])

此类的基类是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 作为空函数实现。

方法

下表显示了PythonLossModule类中包含的方法

PythonModule([data_names,label_names…])

此类的基类是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 作为空函数实现。

方法

下表显示了PythonModule类中包含的方法：

属性

下表显示了PythonModule类方法中包含的属性：

data_shapes - 请访问https://mxnet.apache.org以获取详细信息。

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

SequentialModule([logger])

此类的基类是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类方法中包含的属性：

data_shapes - 此处提供的链接https://mxnet.apache.org将帮助您更详细地了解该属性。

输出形状 - 有关详细信息，请访问 https://mxnet.apache.org/api 提供的链接。

实现示例

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

输出如下所示 -

<Symbol softmax>

示例

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

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.]]

示例

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

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

输出

以下是代码的输出 -

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