本文实例讲述了Python Gluon参数和模块命名操作。分享给大家供大家参考，具体如下：
Gluon参数和模块命名教程
在gluon里，每个参数和块都有一个名字（和前缀）。参数名可以由用户指定，block名也可以由用户指定，也可以自动创建。
本教程中，我们将讨论命名方面的最佳实践。首先，import MXNet和Gluon
from __future__ import print_function import mxnet as mx from mxnet import gluon
Blocks命名
在创建block时，可以指定一个前缀给它：
mydense = gluon.nn.Dense(100, prefix='mydense_') print(mydense.prefix) mydense_
若没有指定前缀，gluon会自动生成一个前缀
dense0 = gluon.nn.Dense(100) print(dense0.prefix) dense0_
当你创建更多同类块时，它们将递增后缀命名，以避免冲突：
dense1 = gluon.nn.Dense(100) print(dense1.prefix) dense1_
参数命名
blocks中的参数将用过将block的前缀添加到参数的名称来命名:
print(dense0.collect_params()) dense0_ ( Parameter dense0_weight (shape=(100, 0), dtype=) Parameter dense0_bias (shape=(100,), dtype= ) )
名称空间
为了管理嵌套block的名称，每个块附加有一个name_scope（名称空间）。在name_scope中创建的block都会在其名称前加上父block的名称。
我们将定义一个简单的神经网络来说明这点：
class Model(gluon.Block): def __init__(self, **kwargs): super(Model, self).__init__(**kwargs) with self.name_scope(): self.dense0 = gluon.nn.Dense(20) self.dense1 = gluon.nn.Dense(20) self.mydense = gluon.nn.Dense(20, prefix='mydense_') def forward(self, x): x = mx.nd.relu(self.dense0(x)) x = mx.nd.relu(self.dense1(x)) return mx.nd.relu(self.mydense(x))
现在实例化这个神经网络
- 注意：
model0.dense0的名称是model0_dense0_而非dense0_ - 注意：我们指定
model.mydense的前缀为mydense_，它的父类前缀会自动生成并添加到前面变成model0_mydense_
这里的名称前缀和变量名model0没有关系，这里就算把model0换成其他变量名比如net，前缀还是model?，? 表示这是一个递增的数字，这里的名称前缀和
class Model有关 若将类名Model换成Hodel，那么后面的前缀都会变成 hodel?
model0 = Model() model0.initialize() model0(mx.nd.zeros((1, 20))) print(model0.prefix) print(model0.dense0.prefix) print(model0.dense1.prefix) print(model0.mydense.prefix) model0_ model0_dense0_ model0_dense1_ model0_mydense_
若我们再次实例化Model，在Dense前会生成一个不同的名称。
- 注意:
model1.dense0的名称依然是dense0_而非dense2_，遵循之前在model0中创建的dense层的命名规则。这是因为每个model的命名空间是相互独立
model1 = Model() print(model1.prefix) print(model1.dense0.prefix) print(model1.dense1.prefix) print(model1.mydense.prefix) model1_ model1_dense0_ model1_dense1_ model1_mydense_
建议手动为顶层的model指定一个前缀，即model = Model(prefix=‘mymodel_')，以避免命名时可能出现的混淆。
相同的规则同样适用于像Sequential这类容器block.name_scope 既可以在__init__内使用，也可以在__init__ 外使用：
注意：这里
Sequential也有参数prefix，是可以自己指定名称的，不指定的话就叫Sequential
net = gluon.nn.Sequential() with net.name_scope(): net.add(gluon.nn.Dense(20)) net.add(gluon.nn.Dense(20)) print(net.prefix) print(net[0].prefix) print(net[1].prefix) sequential0_ sequential0_dense0_ sequential0_dense1_
gluon.model_zoo也一样
net = gluon.nn.Sequential() with net.name_scope(): net.add(gluon.model_zoo.vision.alexnet(pretrained=True)) net.add(gluon.model_zoo.vision.alexnet(pretrained=True)) print(net.prefix, net[0].prefix, net[1].prefix) sequential1_ sequential1_alexnet0_ sequential1_alexnet1_
保存和载入
由于model0和model1有不同的前缀，所以它们的参数是有不同名字的：
print(model0.collect_params(), '\n') print(model1.collect_params()) model0_ ( Parameter model0_dense0_weight (shape=(20L, 20L), dtype=) Parameter model0_dense0_bias (shape=(20L,), dtype= ) Parameter model0_dense1_weight (shape=(20L, 20L), dtype= ) Parameter model0_dense1_bias (shape=(20L,), dtype= ) Parameter model0_mydense_weight (shape=(20L, 20L), dtype= ) Parameter model0_mydense_bias (shape=(20L,), dtype= ) ) model1_ ( Parameter model1_dense0_weight (shape=(20, 0), dtype= ) Parameter model1_dense0_bias (shape=(20,), dtype= ) Parameter model1_dense1_weight (shape=(20, 0), dtype= ) Parameter model1_dense1_bias (shape=(20,), dtype= ) Parameter model1_mydense_weight (shape=(20, 0), dtype= ) Parameter model1_mydense_bias (shape=(20,), dtype= ) )
若你尝试将model0的参数载入到model1中，你将会得到一个名称不匹配的错误
model0.collect_params().save('model.params')
try:
model1.collect_params().load('model.params', mx.cpu())
except Exception as e:
print(e)
Parameter 'model1_dense0_weight' is missing in file 'model.params', which contains parameters: 'model0_mydense_weight', 'model0_dense1_bias', 'model0_dense1_weight', 'model0_dense0_weight', 'model0_dense0_bias', 'model0_mydense_bias'. Please make sure source and target networks have the same prefix.
为了解决这个问题，我们使用save_parameters/load_parameters而不是 collect_params 和save/load. save_parameters。使用模型结构而非参数名称来匹配参数。
model0.save_parameters('model.params')
model1.load_parameters('model.params')
print(mx.nd.load('model.params').keys())
['dense0.bias', 'mydense.bias', 'dense1.bias', 'dense1.weight', 'dense0.weight', 'mydense.weight']
替换网络中的block并进行fine-turning
有时需要加载一些预训练的模型，并替换其中某些block并进行fine-turning。
For example, the alexnet in model zoo has 1000 output dimensions, but maybe you only have 100 classes in your application.
例如，alexnet有1000个输出维度但你只有100类。
我们首先载入预训练的AlexNet
- 在Gluon Model Zoo，所有图像分类模型的格式都是特征提取层叫
features，输出层叫output. - 注意到输出层是一个dense block，有1000个维度的输出
alexnet = gluon.model_zoo.vision.alexnet(pretrained=True) print(alexnet.output) print(alexnet.output.prefix) Dense(4096 -> 1000, linear) alexnet0_dense2_
改变输出为100维，使用一个新block替换它
with alexnet.name_scope(): alexnet.output = gluon.nn.Dense(100) alexnet.output.initialize() print(alexnet.output) print(alexnet.output.prefix) Dense(None -> 100, linear) alexnet0_dense3_
原文：http://mxnet.incubator.apache.org/versions/master/tutorials/gluon/naming.html
更多关于Python相关内容可查看本站专题：《Python数学运算技巧总结》、《Python图片操作技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》及《Python入门与进阶经典教程》
希望本文所述对大家Python程序设计有所帮助。