MXNet深度学习笔记

本文以线性回归为例，展示MXNet以及Gluon的实现。

首先构造一个简单的数据集，其中features是训练数据特征，labels是标签。

读取数据

本例使用小批量随机梯度下降法，所以一次读取小批量数据样本。

def data_iter(batch_size, features, labels):
    num_examples = len(features)
    indices = list(range(num_examples))
    random.shuffle(indices)  # 样本的读取顺序是随机的
    for i in range(0, num_examples, batch_size):
        j = nd.array(indices[i: min(i + batch_size, num_examples)])
        yield features.take(j), labels.take(j)  # take函数根据索引返回对应元素

Gluon提供了data包来读取数据。

# 将训练数据的特征和标签组合
dataset = gdata.ArrayDataset(features, labels)
# 随机读取小批量
data_iter = gdata.DataLoader(dataset, batch_size, shuffle=True)

定义模型

以下是线性回归的矢量计算表达式的实现。

def linreg(X, w, b):
    return nd.dot(X, w) + b

Gluon引入了Sequential实例，它是一个容器，串联各个层。线性回归的输出层又叫全连接层。Dense即为全连接层，输出个数为1。

net = nn.Sequential()
net.add(nn.Dense(1))

初始化参数

将权重初始化成均值为0、标准差为0.01的正态随机数，偏差则初始化成0。另外还需要创建它们的梯度。

w = nd.random.normal(scale=0.01, shape=(num_inputs, 1))
b = nd.zeros(shape=(1,))

w.attach_grad()
b.attach_grad()

Gluon中的初始化方法十分简单，将上一步的net初始化即可。

net.initialize(init.Normal(sigma=0.01))

定义损失函数

用平方损失定义线性回归的损失函数。

def squared_loss(y_hat, y):
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2

Gluon有内置的损失函数，平方损失又称L2范数损失。

from mxnet.gluon import loss as gloss
loss = gloss.L2Loss()

定义优化算法

实现随机梯度下降算法。

def sgd(params, lr, batch_size):
    for param in params:
        param[:] = param - lr * param.grad / batch_size

Gluon创建一个Trainer实例，并指定学习率。“sgd”为随机梯度下降法，参数通过collect_params函数获取。

trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate': 0.03})

训练模型

lr = 0.03
num_epochs = 3
net = linreg
loss = squared_loss

for epoch in range(num_epochs):  # 训练模型一共需要num_epochs个迭代周期
    # 在每一个迭代周期中，会使用训练数据集中所有样本一次（假设样本数能够被批量大小整除）。X
    # 和y分别是小批量样本的特征和标签
    for X, y in data_iter(batch_size, features, labels):
        with autograd.record():
            l = loss(net(X, w, b), y)  # l是有关小批量X和y的损失
        l.backward()  # 小批量的损失对模型参数求梯度
        sgd([w, b], lr, batch_size)  # 使用小批量随机梯度下降迭代模型参数
    train_l = loss(net(features, w, b), labels)
    print('epoch %d, loss %f' % (epoch + 1, train_l.mean().asnumpy()))

Gluon训练模型时，通过调用Trainer实例的step函数来迭代模型参数。

num_epochs = 3
for epoch in range(1, num_epochs + 1):
    for X, y in data_iter:
        with autograd.record():
            l = loss(net(X), y)
        l.backward()
        trainer.step(batch_size)
    l = loss(net(features), labels)
    print('epoch %d, loss: %f' % (epoch, l.mean().asnumpy()))

读取数据#

定义模型#

初始化参数#

定义损失函数#

定义优化算法#

训练模型#