一、符号分类
符号对我们想要进行的计算进行了描述, 下图展示了符号如何对计算进行描述.
我们定义了符号变量A, 符号变量B, 生成了符号变量C, 其中, A, B为参数节点, C为内部节点! mxnet.symbol.Variable可以生成参数节点, 用于表示计算时的输入.
二、常用符号方法
一个Symbol具有的属性和方法如下图所示:
关联节点查看
list_argument()用来检查计算图的输入参数;
list_output()返回此Symbol的所有输出，输出的自动命名遵循一定的规则
input = mx.sym.Variable(‘data‘) ?# 生成一个符号变量,名字是可以随便取的fc1 = mx.sym.FullyConnected(data=input, num_hidden=128,name=‘fc1‘) ?# 全连接层act1 = mx.sym.Activation(fc1, act_type=‘relu‘) ?# 激活type(fc1) ?# mxnet.symbol.Symbol, act1的类型也是这个!!!fc1.list_outputs() ?# [‘fc1_output‘],自动在输入name属性名的后面加上"_output"作为本节点名称fc1.list_arguments() ?# [‘data‘,‘fc1_weight‘,‘fc1_bias‘],自动生成fc1_weight,fc1_bias两个参数节点act1.list_outputs() ?# [‘actvation0_output‘] 这个名字就不是随便起的了!!!act1.list_arguments() ?# [‘data‘,‘fc1_weight‘,‘fc1_bias‘]
返回逻辑如下图，
数据维度推断
mxnet.symbol.Symbol.infer_shape(self, *args, **kwargs): 推测输入参数和输出参数的shape, 返回一个list of tuple;
a = mx.sym.Variable(‘A‘)b = mx.sym.Variable(‘B‘)c = (a + b) / 10d = c + 1input_shapes = {‘A‘:(10,2), ‘B‘:(10,2)} ??# 定义输入的shaped.infer_shape(**input_shapes) # ([(10L, 2L), (10L, 2L)], [(10L, 2L)], [])arg_shapes, out_shapes, aux_shapes = d.infer_shape(**input_shapes)In [1]: arg_shapes
Out[1]: [(10L, 2L), (10L, 2L)]
In [2]: out_shapes
Out[2]: [(10L, 2L)]
In [3]: aux_shapes
Out[3]: []
三、绑定执行
A = mx.sym.Variable(‘A‘)B = mx.sym.Variable(‘B‘)C = A * BD = mx.sym.Variable(‘D‘)E = C + Da = mx.nd.empty(1) ?# 生成一个维度为1的随机值b = mx.nd.ones(1) ???# b等于1d = mx.nd.ones(1)executor = E.bind(ctx=mx.cpu(), args={‘A‘:a, ‘B‘:b, ‘D‘:d})type(executor) ?# mxnet.executor.Executorexecutor.arg_dict ?# {‘A‘: <NDArray 1 @cpu(0)>, ‘B‘: <NDArray 1 @cpu(0)>, ‘D‘: <NDArray 1 @cpu(0)>}executor.forward() ?# [<NDArray 1 @cpu(0)>]executor.outputs[0] ?# <NDArray 1 @cpu(0)>, 值呢? 还是看不到值啊???executor.outputs[0].asnumpy() ?# array([ 1.], dtype=float32)首先我们需要调用绑定函数(bind function:*.bind)来绑定NDArrays(下图中的a/b/d)到参数节点(argument nodes: A/B/D,不是内部节点C/E),从而获得一个执行器(Executor)：
然后,调用Executor.Forward 便可以得到输出结果.
执行器属性方法如下：
绑定多个输出
我们可以使用mx.symbol.Group([])来将symbols进行分组,然后将它们进行绑定，从而得到更多的中间变量输出。
下图中,A/B/D为参数节点,C/E为内部节点,将E/C绑定为G,这样,E和C的计算结果都可以得到，但是出于优化计算图的考虑，不建议过多绑定输出节点。
梯度计算
在绑定函数中,可以指定NDArrays来保存梯度,在Executor.forward()的后面调用Executor.backward()可以得到相应的梯度值.
神经网络的简单绑定接口
反向传播时，我们需要定义很多新的grad节点并绑定给Executor，过程较为繁琐，Symbol.simple_bind()函数可以帮助我们简化这个过程,指定输入数据的大小(shape),这个函数可以定位梯度参数并将其绑定为Executor.
辅助变量
『MXNet』第十一弹_符号式编程专题
原文地址：https://www.cnblogs.com/hellcat/p/9639079.html