https://www.cnblogs.com/chenyliang/p/6847744.html
Note:后记
此权值共享非彼卷积共享。说的是layer实体间的参数共享。
Introduction
想将两幅图像”同时“经过同一模型，似乎之前有些听闻的shared model没有找到确凿的痕迹，单个构建Variable然后每层设置，对debug阶段（甚至使用阶段）来说是场噩梦。能够可行的只想到了，在set_params阶段进行指定，如果简单的将两个load的symbol进行Group，然后进行bind会提示出现多个名称。于是问题就是：如何生成同一结构内含指定符号名的symbol?
Exploration
此类非标准操作，更别指望mxnet的doc了，只有从dir()和src查起。
Change the name
首先想到的自然是改名:
本来是
a=mx.sym.Variable(‘x‘)要改成与
a=mx.sym.Variable(‘y‘)相同的效果。
关于名称的接口：
import mxnet as mxd=mx.sym.Variable(‘data‘)conv1_w=mx.sym.Variable(‘kw‘)conv1=mx.sym.Convolution(data=d,weight=conv1_w,kernel=(3,3),num_filter=num_filter,no_bias=True,name=‘conv1‘)conv1.name＃‘conv1‘How to change it
怎么改呢？看起来只有*_set_attr*靠谱些，先看看都有那些属性：
conv1.list_attr()#{‘no_bias‘: ‘True‘, ‘kernel‘: ‘(3, 3)‘, ‘num_filter‘: ‘1‘}。。。并没有什么好结果出现，看起来还有一个接口：
conv1.attr_dict()#{‘conv1‘: {‘no_bias‘: ‘True‘, ‘kernel‘: ‘(3, 3)‘, ‘num_filter‘: ‘1‘}}那就试试，‘conv1‘?
>>>conv1._set_attr(conv1=‘yy‘)>>>conv1.name # 有戏？！赶紧看看‘conv1‘ ＃ 那刚才的是什么？>>> conv1.list_attr(){‘no_bias‘: ‘True‘, ‘kernel‘: ‘(3, 3)‘, ‘conv1‘: ‘yy‘, ‘num_filter‘: ‘1‘} ＃ 呵呵，被骗了...Check the Src
来看看名字是到哪取的（～当然是家里取的...）
# python/mxnet/symbol.py ???@property ???def name(self): ????ret = ctypes.c_char_p() ???????success = ctypes.c_int() ???????check_call(_LIB.MXSymbolGetName( ???????????self.handle, ctypes.byref(ret), ctypes.byref(success))) ???????if success.value != 0: ???????????return py_str(ret.value) ???????else: ???????????return None于是追寻MXSymbolGetName，虽然直觉告诉我很有可能不会有python接口了（很有可能是通过底层实现的名字获取），但还是得看看。
//src/c_api/c_api_symbolic.ccint MXSymbolGetName(SymbolHandle symbol, ???????????????????const char** out, ???????????????????int* success) { ?return NNSymbolGetAttr(symbol, "name", out, success);}这不禁让人浮想起来。。。赶紧试试：
>>> conv1._set_attr(name=‘yy‘)>>> conv1.name‘yy‘被我发现了吧 :)
失败
失败的原因是，上述的操作只改变了node，但参数的名称并没有改变（可以.list_arguments()进行查看）。我当时想的是将参数名称保持相同，然后在set_params的时候就可以直接调用，然而实际调用时，会报错，提示检测出了多个相同的名称，所以此路基本封死。
从json入手
这是一个当时认为最惨的办法——每次都要先对文件进行操作（非常粗野）。但今早发现symbol中还有操作json的接口（当然说的不是save,laod之类的）:
sn_epoch_load=0model_prefix=‘nin‘sym1, arg_params, aux_params = mx.mod.module.load_checkpoint(model_prefix, n_epoch_load)sym=sym1.get_internals()[‘conv4_1024_output‘].__copy__()ss=sym.__getstate__()[‘handle‘]ss1=ss.replace(‘\"name\": \"‘,‘\"name\": \"sha-‘)sym2 = sym.__copy__()h={‘handle‘:ss1}sym2.__setstate__(h)>>> sym2.list_arguments()[‘sha-data‘, ‘sha-conv1_weight‘, ‘sha-conv1_bias‘, ‘sha-cccp1_weight‘, ‘sha-cccp1_bias‘, ‘sha-cccp2_weight‘, ‘sha-cccp2_bias‘, ‘sha-conv2_weight‘, ‘sha-conv2_bias‘, ‘sha-cccp3_weight‘, ‘sha-cccp3_bias‘, ‘sha-cccp4_weight‘, ‘sha-cccp4_bias‘, ‘sha-conv3_weight‘, ‘sha-conv3_bias‘, ‘sha-cccp5_weight‘, ‘sha-cccp5_bias‘, ‘sha-cccp6_weight‘, ‘sha-cccp6_bias‘, ‘sha-conv4_1024_weight‘, ‘sha-conv4_1024_bias‘]>>> sym2.attr_dict(){‘sha-cccp3‘: {‘no_bias‘: ‘False‘, ‘kernel‘: ‘(1,1)‘, ‘num_group‘: ‘1‘, ‘dilate‘: ‘(1,1)‘, ‘num_filter‘: ‘256‘, ‘stride‘: ‘(1,1)‘, ‘cudnn_off‘: ‘False‘, ‘pad‘: ‘(0,0)‘, ‘workspace‘: ‘1024‘, ‘cudnn_tune‘: ‘off‘}, ‘sha-cccp2‘: {‘no_bias‘: ‘False‘, ‘kernel‘: ‘(1,1)‘, ‘num_group‘: ‘1‘, ‘dilate‘: ‘(1,1)‘, ‘num_filter‘: ‘96‘, ‘stride‘: ‘(1,1)‘, ‘cudnn_off‘: ‘False‘, ‘pad‘: ‘(0,0)‘, ‘workspace‘: ‘1024‘, ‘cudnn_tune‘: ‘off‘}, ‘sha-drop‘: {‘p‘: ‘0.5‘}, ‘sha-conv2‘: {‘no_bias‘: ‘False‘, ‘kernel‘: ‘(5,5)‘, ‘num_group‘: ‘1‘, ‘dilate‘: ‘(1,1)‘, ‘num_filter‘: ‘256‘, ‘stri# 示意一下就可这样看上去问题被解决了。
Solution
于是我们的答案就是：
import mxnet as mxM,N=3,3num_filter=1kernel=mx.nd.array([ [1,2,3],[1,2,3],[1,2,3] ])d=mx.sym.Variable(‘data‘)conv1=mx.sym.Convolution(data=d,kernel=(3,3),num_filter=num_filter,no_bias=True,name=‘conv1‘)loss=mx.sym.MakeLoss(data=conv1)bch_kernel=kernel.reshape((1,1,M,N))arg_params={‘conv1_weight‘: bch_kernel}def shareParams(sym,params): ???sym1 = sym.__copy__() ???new_params= {} ???ss=sym1.__getstate__()[‘handle‘] ???ss1=ss.replace(‘\"name\": \"‘,‘\"name\": \"sha-‘) ???h={‘handle‘:ss1} ???sym1.__setstate__(h) ???for i in params: ???????new_params[‘sha-‘+i] = params[i] ???????new_params[i] = params[i] ???return mx.sym.Group([sym,sym1]),new_paramssym,params = shareParams(loss,arg_params)mod=mx.mod.Module(symbol=sym,data_names=(‘data‘,‘sha-data‘,))mod.bind(data_shapes=[ (‘data‘,[1,1,M,N]), (‘sha-data‘,[1,1,M,N]),])mod.init_params() ??mod.set_params(arg_params=params, aux_params=[],allow_missing=True) ???mod.init_optimizer() ?mod.forward(mx.io.DataBatch([bch_kernel,bch_kernel],[]))mod.get_outputs()[0].asnumpy() #array([[[[ 42.]]]], dtype=float32)mod.get_outputs()[1].asnumpy() #array([[[[ 42.]]]], dtype=float32)mod.backward()mod.update()mod.forward(mx.io.DataBatch([bch_kernel,bch_kernel],[]))mod.get_outputs()[0].asnumpy() #array([[[[ 41.57999802]]]], dtype=float32)mod.get_outputs()[1].asnumpy() #array([[[[ 41.57999802]]]], dtype=float32)搞定 :)
22 Jul, 2017 记
关于这个问题，我后面还曾设想找段空闲时期，试着用mxnet内部机制进行封装。最近发现，自己也是傻得可以。。。
两张图先进行batch维的拼接，通过所需段后再拆分 (⊙﹏⊙)b
#mxnet# 权值共享
原文地址：https://www.cnblogs.com/jukan/p/10209807.html