Apache MXNet - Python API gluon

正如我们在前面章节中讨论过的，MXNet Gluon 为 DL 项目提供了清晰、简洁、简单的 API。它使 Apache MXNet 能够原型化、构建和训练 DL 模型，而不会牺牲训练速度。

核心模块

让我们学习 Apache MXNet Python 应用程序编程接口 (API) gluon 的核心模块。

gluon.nn

Gluon 在 gluon.nn 模块中提供了大量内置 NN 层。这就是它被称为核心模块的原因。

方法及其参数

以下是mxnet.gluon.nn核心模块 −

中涵盖的一些重要方法及其参数

方法及其参数	定义
激活（activation，**kwargs）	顾名思义，此方法将激活函数应用于输入。
AvgPool1D([pool_size, strides, padding, …])	这是时间的平均池化操作数据。
AvgPool2D([pool_size, strides, padding, …])	这是空间数据的平均池化操作。
AvgPool3D([pool_size, strides, padding, …])	这是 3D 数据的平均池化操作。数据可以是空间的，也可以是时空的。
BatchNorm([axis, motion, epsilon, center, …])	它代表批量归一化层。
BatchNormReLU([axis, motion, epsilon, …])	它也代表批量归一化层，但带有 Relu 激活函数。
Block([prefix, params])	它为所有神经网络层和模型提供了基类。
Conv1D(channels, kernel_size[, strides, …])	此方法用于 1-D 卷积层。例如，时间卷积。
Conv1DTranspose(channels, kernel_size[, …])	此方法用于转置 1D 卷积层。
Conv2D(channels, kernel_size[, strides, …])	此方法用于 2D 卷积层。例如，对图像进行空间卷积。
Conv2DTranspose(channels, kernel_size[, …])	此方法用于转置的 2D 卷积层。
Conv3D(channels, kernel_size[, strides, …])	此方法用于 3D 卷积层。例如，对体积进行空间卷积。
Conv3DTranspose(channels, kernel_size[, …])	此方法用于转置 3D 卷积层。
Dense(units[,activation, use_bias, …])	此方法代表常规的密集连接 NN 层。
Dropout(rate[,axes])	顾名思义，该方法将 Dropout 应用于输入。
ELU([alpha])	此方法用于指数线性单元 (ELU)。
Embedding(input_dim, output_dim[, dtype, …])	它将非负整数转换为固定大小的密集向量。
Flatten(**kwargs)	此方法将输入展平为二维。
GELU(**kwargs)	此方法用于高斯指数线性单元 (GELU)。
GlobalAvgPool1D([layout])	借助此方法，我们可以对时间数据进行全局平均池化操作。
GlobalAvgPool2D([layout])	借助此方法，我们可以进行全局平均空间数据的池化操作。
GlobalAvgPool3D([layout])	利用此方法，我们可以对 3-D 数据进行全局平均池化操作。
GlobalMaxPool1D([layout])	利用此方法，我们可以对 1-D 数据进行全局最大池化操作。
GlobalMaxPool2D([layout])	利用此方法，我们可以对 2-D 数据进行全局最大池化操作。
GlobalMaxPool3D([layout])	利用此方法，我们可以对 3-D 数据进行全局最大池化操作数据。
GroupNorm([num_groups, epsilon, center, …])	此方法将组规范化应用于 n-D 输入数组。
HybridBlock([prefix, params])	此方法支持使用 Symbol 和 NDArray 进行转发。
HybridLambda(function[, prefix])	借助此方法，我们可以将运算符或表达式包装为 HybridBlock 对象。
HybridSequential([prefix, params])	它将 HybridBlocks 堆叠起来顺序执行。
InstanceNorm([axis, epsilon, center, scale, …])	此方法将实例规范化应用于 n-D 输入数组。

实施示例

在下面的示例中，我们将使用 Block()，它为所有神经网络层和模型提供基类。

from mxnet.gluon import Block, nn
class Model(Block):
   def __init__(self, **kwargs):
      super(Model, self).__init__(**kwargs)
      # use name_scope to give child Blocks appropriate names.
      with self.name_scope():
         self.dense0 = nn.Dense(20)
         self.dense1 = nn.Dense(20)
   def forward(self, x):

      x = mx.nd.relu(self.dense0(x))
      return mx.nd.relu(self.dense1(x))

model = Model()
model.initialize(ctx=mx.cpu(0))
model(mx.nd.zeros((5, 5), ctx=mx.cpu(0)))

输出

您将看到以下输出 −

[[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. 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. 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. 0. 0.]
 [0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]
<NDArray 5x20 @cpu(0)*gt;

在下面的示例中，我们将使用支持通过 Symbol 和 NDArray 转发的 HybridBlock()。

import mxnet as mx
from mxnet.gluon import HybridBlock, nn


class Model(HybridBlock):
   def __init__(self, **kwargs):
      super(Model, self).__init__(**kwargs)
      # use name_scope to give child Blocks appropriate names.
      with self.name_scope():
         self.dense0 = nn.Dense(20)
         self.dense1 = nn.Dense(20)

   def forward(self, x):
      x = nd.relu(self.dense0(x))
      return nd.relu(self.dense1(x))
model = Model()
model.initialize(ctx=mx.cpu(0))

model.hybridize()
model(mx.nd.zeros((5, 5), ctx=mx.cpu(0)))

输出

输出如下 −

[[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. 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. 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. 0. 0.]
 [0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]
<NDArray 5x20 @cpu(0)>

gluon.rnn

Gluon 在 gluon.rnn 模块中提供了大量内置循环神经网络 (RNN) 层。这就是它被称为核心模块的原因。

方法及其参数

以下是 mxnet.gluon.nn 核心模块涵盖的一些重要方法及其参数：

方法及其参数	定义
BidirectionalCell(l_cell, r_cell[, …])	它用于双向循环神经网络 (RNN) 单元。
DropoutCell(rate[, axis, prefix, params])	此方法将对给定的输入。
GRU(hidden_size[, num_layers, layout, …])	它将多层门控循环单元 (GRU) RNN 应用于给定的输入序列。
GRUCell(hidden_size[, …])	它用于门控整流单元 (GRU) 网络单元。
HybridRecurrentCell([prefix, params])	此方法支持 hybridize。
HybridSequentialRNNCell([prefix, params])	借助此方法，我们可以顺序堆叠多个 HybridRNN单元格。
LSTM(hidden_size[, num_layers, layout, …])0	它将多层长短期记忆 (LSTM) RNN 应用于给定的输入序列。
LSTMCell(hidden_size[, …])	它用于长短期记忆 (LSTM) 网络单元。
ModifierCell(base_cell)	它是修饰符单元格的基类。
RNN(hidden_size[, num_layers, activity, …])	它将多层 Elman RNN 与 tanh 或ReLU 对给定的输入序列进行非线性处理。
RNNCell(hidden_size[,activation,…])	它用于 Elman RNN 循环神经网络单元。
RecurrentCell([prefix,params])	它表示 RNN 单元的抽象基类。
SequentialRNNCell([prefix,params])	借助此方法，我们可以顺序堆叠多个 RNN 单元。
ZoneoutCell(base_cell[,zoneout_outputs,…])	此方法在基础单元格。

实施示例

在下面的示例中，我们将使用 GRU()，它将多层门控循环单元 (GRU) RNN 应用于给定的输入序列。

layer = mx.gluon.rnn.GRU(100, 3)
layer.initialize()
input_seq = mx.nd.random.uniform(shape=(5, 3, 10))
out_seq = layer(input_seq)
h0 = mx.nd.random.uniform(shape=(3, 3, 100))
out_seq, hn = layer(input_seq, h0)
out_seq

输出

这将产生以下输出 −

[[[ 1.50152072e-01 5.19012511e-01 1.02390535e-01 ... 4.35803324e-01
1.30406499e-01 3.30152437e-02]
[ 2.91542172e-01 1.02243155e-01 1.73325196e-01 ... 5.65296151e-02
1.76546033e-02 1.66693389e-01]
[ 2.22257316e-01 3.76294643e-01 2.11277917e-01 ... 2.28903517e-01
3.43954474e-01 1.52770668e-01]]


[[ 1.40634328e-01 2.93247789e-01 5.50393537e-02 ... 2.30207980e-01
6.61415309e-02 2.70989928e-02]
[ 1.11081995e-01 7.20834285e-02 1.08342394e-01 ... 2.28330195e-02
6.79589901e-03 1.25501186e-01]
[ 1.15944080e-01 2.41565228e-01 1.18612610e-01 ... 1.14908054e-01
1.61080107e-01 1.15969211e-01]]
………………………….

示例

hn

输出

这将产生以下输出 −

[[[-6.08105101e-02 3.86217088e-02   6.64453954e-03 8.18805695e-02
3.85607071e-02 -1.36945639e-02 7.45836645e-03 -5.46515081e-03
9.49622393e-02 6.39371723e-02 -6.37890724e-03 3.82240303e-02
9.11015049e-02 -2.01375950e-02 -7.29381144e-02 6.93765879e-02
2.71829776e-02 -6.64435029e-02 -8.45306814e-02 -1.03075653e-01
6.72040805e-02 -7.06537142e-02 -3.93818803e-02 5.16211614e-03
-4.79770005e-02 1.10734522e-01 1.56721435e-02 -6.93409378e-03
1.16915874e-01 -7.95962065e-02 -3.06530762e-02 8.42394680e-02
7.60370195e-02 2.17055440e-01 9.85361822e-03 1.16660878e-01
4.08297703e-02 1.24978097e-02 8.25245082e-02 2.28673983e-02
-7.88266212e-02 -8.04114193e-02 9.28791538e-02 -5.70827350e-03
-4.46166918e-02 -6.41122833e-02 1.80885363e-02 -2.37745279e-03
4.37298454e-02 1.28888980e-01 -3.07202265e-02 2.50503756e-02
4.00907174e-02 3.37077095e-03 -1.78839862e-02 8.90695080e-02
6.30150884e-02 1.11416787e-01 2.12221760e-02 -1.13236710e-01
5.39616570e-02 7.80710578e-02 -2.28817668e-02 1.92073174e-02
………………………….

在下面的例子中，我们将使用 LSTM() 将长短期记忆 (LSTM) RNN 应用于给定的输入序列。

layer = mx.gluon.rnn.LSTM(100, 3)
layer.initialize()

input_seq = mx.nd.random.uniform(shape=(5, 3, 10))
out_seq = layer(input_seq)
h0 = mx.nd.random.uniform(shape=(3, 3, 100))
c0 = mx.nd.random.uniform(shape=(3, 3, 100))
out_seq, hn = layer(input_seq,[h0,c0])
out_seq

输出

输出如下 −

[[[ 9.00025964e-02 3.96071747e-02 1.83841765e-01 ... 3.95872220e-02
1.25569820e-01 2.15555862e-01]
[ 1.55962542e-01 -3.10300849e-02 1.76772922e-01 ... 1.92474753e-01
2.30574399e-01 2.81707942e-02]
[ 7.83204585e-02 6.53361529e-03 1.27262697e-01 ... 9.97719541e-02
1.28254429e-01 7.55299702e-02]]
[[ 4.41036932e-02 1.35250352e-02 9.87644792e-02 ... 5.89378644e-03
5.23949116e-02 1.00922674e-01]
[ 8.59075040e-02 -1.67027581e-02 9.69351009e-02 ... 1.17763653e-01
9.71239135e-02 2.25218050e-02]
[ 4.34580036e-02 7.62207608e-04 6.37005866e-02 ... 6.14888743e-02
5.96345589e-02 4.72368896e-02]]
……………

示例

hn

输出

运行代码时，您将看到以下输出 −

[
[[[ 2.21408084e-02 1.42750628e-02 9.53067932e-03 -1.22849066e-02
1.78788435e-02 5.99269159e-02 5.65306023e-02 6.42553642e-02
6.56616641e-03 9.80876666e-03 -1.15729487e-02 5.98640442e-02
-7.21173314e-03 -2.78371759e-02 -1.90690923e-02 2.21447181e-02
8.38765781e-03 -1.38521893e-02 -9.06938594e-03 1.21346042e-02
6.06449470e-02 -3.77471633e-02 5.65885007e-02 6.63008019e-02
-7.34188128e-03 6.46054149e-02 3.19911093e-02 4.11194898e-02
4.43960279e-02 4.92892228e-02 1.74766723e-02 3.40303481e-02
-5.23341820e-03 2.68163737e-02 -9.43402853e-03 -4.11836170e-02
1.55221792e-02 -5.05655073e-02 4.24557598e-03 -3.40388380e-02
……………………

训练模块

Gluon 中的训练模块如下 −

gluon.loss

在 mxnet.gluon.loss 模块中，Gluon 提供了预定义的损失函数。基本上，它具有用于训练神经网络的损失。这就是它被称为训练模块的原因。

方法及其参数

以下是 mxnet.gluon.loss 训练模块涵盖的一些重要方法及其参数：

方法及其参数	定义
Loss(weight, batch_axis, **kwargs)	这充当 loss 的基类。
L2Loss([weight, batch_axis])	它计算 label 和之间的均方误差 (MSE) prediction(pred)。
L1Loss([weight, batch_axis])	计算label和pred之间的平均绝对误差 (MAE)。
SigmoidBinaryCrossEntropyLoss([…])	此方法用于二元分类的交叉熵损失。
SigmoidBCELoss	此方法用于二元分类的交叉熵损失。
SoftmaxCrossEntropyLoss([axis, …])	计算softmax交叉熵损失（CEL）。
SoftmaxCELoss	它还计算softmax交叉熵损失。
KLDivLoss([from_logits, axis, weight, …])	它用于Kullback-Leibler散度损失。
CTCLoss([layout, label_layout, weight])	它用于联结主义时间分类损失（TCL）。
HuberLoss([rho, weight, batch_axis])	它计算平滑的L1损失。如果绝对误差超过 rho，则平滑后的 L1 损失将等于 L1 损失，否则等于 L2 损失。
HingeLoss([margin, weight, batch_axis])	此方法计算 SVM 中经常使用的铰链损失函数：
SquaredHingeLoss([margin, weight, batch_axis])	此方法计算 SVM 中使用的软边距损失函数：
LogisticLoss([weight, batch_axis, label_format])	此方法计算逻辑损失。
TripletLoss([margin, weight, batch_axis])	此方法给定三个输入张量和一个正边距，计算三重态损失。
PoissonNLLLoss([weight, from_logits, …])	该函数计算负对数似然损失。
CosineEmbeddingLoss([weight, batch_axis, margin])	该函数计算向量之间的余弦距离。
SDMLLoss([smoothing_parameter, weight, …])	此方法给定两个输入张量和一个平滑权重 SDM 损失，计算批量平滑深度度量学习 (SDML) 损失。它通过使用小批量中未配对的样本作为潜在负样本来学习配对样本之间的相似性。

示例

我们知道 mxnet.gluon.loss.loss 将计算标签和预测 (pred) 之间的 MSE (均方误差)。它是在以下公式的帮助下完成的：

gluon.parameter

mxnet.gluon.parameter 是一个容器，用于保存参数，即块的权重。

方法及其参数

以下是 mxnet.gluon.parameter 训练模块 −

中涵盖的一些重要方法及其参数

方法及其参数	定义
cast(dtype)	此方法将转换数据和梯度此参数转换为新的数据类型。
data([ctx])	此方法将在一个上下文中返回此参数的副本。
grad([ctx])	此方法将在一个上下文中返回此参数的梯度缓冲区。
initialize([init, ctx, default_init, …])	此方法将初始化参数和梯度数组。
list_ctx()	此方法将返回此参数初始化的上下文列表。
list_data()	此方法将在所有上下文中返回此参数的副本。它将按照与创建相同的顺序完成。
list_grad()	此方法将返回所有上下文中的梯度缓冲区。这将按照与 values() 相同的顺序完成。
list_row_sparse_data(row_id)	此方法将返回所有上下文中的"row_sparse"参数的副本。这将按照与创建相同的顺序完成。
reset_ctx(ctx)	此方法将重新分配参数到其他上下文。
row_sparse_data(row_id)	此方法将在与 row_id 相同的上下文中返回"row_sparse"参数的副本。
set_data(data)	此方法将在所有上下文中设置此参数的值。
var()	此方法将返回表示此参数的符号。
zero_grad()	此方法将在所有上下文中将梯度缓冲区设置为 0。

实施示例

在下面的示例中，我们将使用以下方法初始化参数和梯度数组：initialize() −

weight = mx.gluon.Parameter('weight', shape=(2, 2))
weight.initialize(ctx=mx.cpu(0))
weight.data()

输出

输出如下 −

[[-0.0256899 0.06511251]
[-0.00243821 -0.00123186]]
<NDArray 2x2 @cpu(0)>

示例

weight.grad()

输出

输出如下所示 −

[[0. 0.]
[0. 0.]]
<NDArray 2x2 @cpu(0)>

示例

weight.initialize(ctx=[mx.gpu(0), mx.gpu(1)])
weight.data(mx.gpu(0))

输出

您将看到以下输出 −

[[-0.00873779 -0.02834515]
 [ 0.05484822 -0.06206018]]
<NDArray 2x2 @gpu(0)>

示例

weight.data(mx.gpu(1))

输出

执行上述代码时，您应该看到以下输出 −

[[-0.00873779 -0.02834515]
 [ 0.05484822 -0.06206018]]
<NDArray 2x2 @gpu(1)>

gluon.trainer

mxnet.gluon.trainer 对一组参数应用优化器。它应该与 autograd 一起使用。

方法及其参数

以下是 mxnet.gluon.trainer 训练模块 −

涵盖的一些重要方法及其参数

方法及其参数	定义
allreduce_grads()	此方法将为每个参数（权重）减少来自不同上下文的梯度。
load_states(fname)	顾名思义，此方法将加载训练器状态。
save_states(fname)	顾名思义，此方法将保存训练器状态。
set_learning_rate(lr)	此方法将设置优化器的新学习率。
step(batch_size[, ignore_stale_grad])	此方法将进行一步参数更新。它应该在 autograd.backward() 之后调用，并且在 record() 范围之外。
update(batch_size[, ignore_stale_grad])	此方法还将进行一步参数更新。它应该在 autograd.backward() 之后、record() 范围之外以及 trainer.update() 之后调用。

数据模块

Gluon 的数据模块如下 −

gluon.data

Gluon 在 gluon.data 模块中提供了大量内置数据集实用程序。这就是它被称为数据模块的原因。

类及其参数

以下是 mxnet.gluon.data 核心模块涵盖的一些重要方法及其参数。这些方法通常与数据集、采样和 DataLoader 相关。

Dataset

方法及其参数	定义
ArrayDataset(*args)	此方法表示组合两个或两个以上类似数据集的对象的数据集。例如，数据集、列表、数组等。
BatchSampler(sampler, batch_size[, last_batch])	此方法包装另一个 Sampler。包装后，它将返回样本的小批量。
DataLoader(dataset[, batch_size, shuffle, …])	与 BatchSampler 类似，但此方法从数据集加载数据。一旦加载，它将返回小批量数据。
这表示抽象数据集类。
FilterSampler(fn, dataset)	此方法表示从数据集中对 fn（函数）返回 True 的样本元素进行采样。
RandomSampler(length)	此方法表示从 [0, length) 随机采样元素，不进行替换。
RecordFileDataset(filename)	它表示包装在 RecordIO 文件中的数据集。该文件的扩展名为 .rec。
Sampler	这是采样器的基类。
SequentialSampler(length[, start])	它表示按顺序从集合 [start, start+length) 中抽取样本元素。
它表示按顺序从集合 [start, start+length) 中抽取样本元素。	这表示简单的 Dataset 包装器，特别适用于列表和数组。

实施示例

在下面的示例中，我们将使用 gluon.data.BatchSampler() API，它包装了另一个采样器。它返回样本的小批次。

import mxnet as mx
from mxnet.gluon import data
sampler = mx.gluon.data.SequentialSampler(15)
batch_sampler = mx.gluon.data.BatchSampler(sampler, 4, 'keep')
list(batch_sampler)

输出

输出如下 −

[[0, 1, 2, 3], [4, 5, 6, 7], [8, 9, 10, 11], [12, 13, 14]]

gluon.data.vision.datasets

Gluon 提供了大量预定义的视觉数据集函数gluon.data.vision.datasets 模块。

类及其参数

MXNet 为我们提供了有用且重要的数据集，其类和参数如下所示 −

类及其参数	定义
MNIST([root, train, transform])	这是一个有用的数据集，为我们提供手写数字。MNIST 数据集的网址为 http://yann.lecun.com/exdb/mnist
FashionMNIST([root, train, transform])	该数据集由 Zalando 的时尚产品文章图像组成。它是原始 MNIST 数据集的直接替代品。您可以从 https://github.com/zalandoresearch/fashion-mnist 获取此数据集
CIFAR10([root, train, transform])	这是来自 https://www.cs.toronto.edu/~kriz/cifar.html 的图像分类数据集。在此数据集中，每个样本都是形状为 (32, 32, 3) 的图像。
CIFAR100([root, fine_label, train, transform])	这是来自 https://www.cs.toronto.edu/~kriz/cifar.html 的 CIFAR100 图像分类数据集。它还具有每个样本都是形状为 (32, 32, 3) 的图像。
ImageRecordDataset (filename[, flag, transform])	此数据集包装在包含图像的 RecordIO 文件中。其中每个样本都是带有相应标签的图像。
ImageFolderDataset(root[, flag, transform])	这是一个用于加载存储在文件夹结构中的图像文件的数据集。
ImageListDataset ([root, imglist, flag])	这是一个用于加载由条目列表指定的图像文件的数据集。

示例

在下面的示例中，我们将展示 ImageListDataset() 的使用，它用于加载由条目列表指定的图像文件 −

# 写入文本文件 *.lst

0 0 root/cat/0001.jpg
1 0 root/cat/xxxa.jpg
2 0 root/cat/yyyb.jpg
3 1 root/dog/123.jpg
4 1 root/dog/023.jpg
5 1 root/dog/wwww.jpg

# 纯列表，每个项目都是一个列表 [imagelabel：浮点数或浮点数列表，imgpath]

[[0, root/cat/0001.jpg]
[0, root/cat/xxxa.jpg]
[0, root/cat/yyyb.jpg]
[1, root/dog/123.jpg]
[1, root/dog/023.jpg]
[1, root/dog/wwww.jpg]]

实用模块

Gluon 中的实用模块如下 −

gluon.utils

Gluon 在 gluon.utils 模块中提供了大量内置并行化实用优化器。它为训练提供了各种实用工具。这就是它被称为实用程序模块的原因。

函数及其参数

以下是名为gluon.utils −的实用程序模块中包含的函数及其参数。

函数及其参数	定义
split_data(data, num_slice[, batch_axis, …])	此函数通常用于数据并行，每个切片都发送到一个设备，即 GPU。它将 NDArray 沿 batch_axis 分割成 num_slice 个切片。
split_and_load(data, ctx_list[, batch_axis, …])	此函数将 NDArray 沿 batch_axis 分割成 len(ctx_list) 个切片。与上面的 split_data () 函数唯一的区别是，它还将每个切片加载到 ctx_list 中的一个上下文中。
clip_global_norm(arrays, max_norm[, …])	此函数的作用是重新缩放 NDArray，使它们的 2-norm 之和小于max_norm。
check_sha1(filename, sha1_hash)	此函数将检查文件内容的 sha1 哈希是否与预期哈希匹配。
download(url[, path, overwrite, sha1_hash, …])	顾名思义，此函数将下载给定的 URL。
replace_file(src, dst)	此函数将实现原子 os.replace。它将在 Linux 和 OSX 上完成。

Apache MXNet 教程

Apache MXNet 有用资源

Apache MXNet - Python API gluon

核心模块

gluon.nn

方法及其参数

实施示例

gluon.rnn

方法及其参数

实施示例

训练模块

gluon.loss

方法及其参数

示例

gluon.parameter

方法及其参数

实施示例

gluon.trainer

方法及其参数

数据模块

gluon.data

类及其参数

实施示例

gluon.data.vision.datasets

类及其参数

示例

实用模块

gluon.utils

函数及其参数

颜色选择器

读后有收获微信请站长喝咖啡

错误报告

您的建议:

感谢您的帮助！