mxnet（gluon）—— 模型、数据集、损失函数、优化子等类、接口大全

1. 数据集

dataset_train = gluon.data.ArrayDataset(X_train, y_train)
data_iter = gluon.data.DataLoader(dataset_train, batch_size, shuffle=True)

for data, label in data_iter:
    ...

2. 模型

• gluon.nn：神经网络

  • gluon.nn.Sequential()，可添加：

    • gluon.nn.Flatten() ⇒ Flattens the input to two dimensional，将输入平坦为 2 维矩阵，是一种操作，而非添加进新的层

      net = gluon.nn.Sequencial()
      with net.name_scope():
          net.add(gluon.nn.Flatten())

    • gluon.nn.Dense：全连接

    • gluon.nn.Dropout(drop_prob1)

  
  # 序列化神经网络模型
  
  net = gluon.nn.Sequential()
  
  with net.name_scope():
      net.add(gluon.nn.Dense(1))
          # Dense(1)：表示输出值的维度，
      # 一层的神经网络相当于线性回归
  
  # 参数初始化
  
  net.collect_params().initialize(mxnet.init.Normal(sigma=1))

3. 训练器（Trainer）

仅保存参数及超参，以及根据 batch size 进行参数更新：

trainer = gluon.Trainer(net.collect_params(), optimizer='sgd',
        optimizer_params={'learning_rate': learning_rate, 'weight_decay': weight_decay})
....
for data, label in data_iter:
    ...
    trainer.step(batch_size)

4. 自动求导：autograd

• autograd.is_training() ⇒ 训练过程还是测试预测过程：

  对于 dropout 型网络，训练过程因为 dropout 随机性的存在，模型是变化的，测试过程中节点全部参与，没有dropout；

转载于:https://www.cnblogs.com/mtcnn/p/9421065.html