---

Apache MXNet - Python API 模块

---

Apache MXNet 的模块 API 类似于 FeedForward 模型，并且与 Torch 模块类似，更容易组合。它由以下类组成 −

BaseModule([logger])

它表示模块的基类。模块可以被视为计算组件或计算机。模块的工作是执行前向和后向传递。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 −

的方法中包含的属性

data_shapes：您可以参考https://mxnet.apache.org上的链接了解详情。 output_shapes：更多

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

BucketingModule(sym_gen[…])

它表示 Module 的 Bucketingmodule 类，有助于有效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 的方法中包含的属性类 −

data_shapes − 您可以参考 https://mxnet.apache.org/api/python/docs 上的链接了解更多信息。

output_shapes−您可以参考 https://mxnet.apache.org/api/python/docs 上的链接了解更多信息。

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 −

的方法中包含的属性

data_shapes：请访问链接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([data_names,label_names…])

此类的基础是 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 − 请访问链接 https://mxnet.apache.org 了解详情。

output_shapes − 如需了解更多详情，请访问以下链接：https://mxnet.apache.org

SequentialModule([logger])

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

方法

下表显示了 SequentialModule 类中包含的方法

属性

下表显示了 BaseModule 类 − 的方法所包含的属性

data_shapes −此处提供的链接 https://mxnet.apache.org 将帮助您详细了解该属性。

output_shapes − 请访问 https://mxnet.apache.org/api 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>

示例

print(mod)

输出

输出如下所示 −

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

在下面的例子中，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

下面给出了代码的输出 −

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

---