深度框架 MXNet/Gluon 初体验

MXNet: A flexible and efficient library for deep learning.

这是MXNet的官网介绍，“MXNet是灵活且高效的深度学习库”。

MXNet是主流的三大深度学习框架之一：

• TensorFlow：Google支持，其简化版是Keras；
• PyTorch：Facebook支持，其工业版是Caffe2；
• MXNet：中立，Apache孵化器项目，也被AWS选为官方DL平台；

MXNet的优势是，其开发者之一李沐，是中国人，在MXNet的推广中具有语言优势（汉语），有利于国内开发者的学习。同时，推荐李沐录制的教学视频，非常不错。

MXNet的高层接口是Gluon，Gluon同时支持灵活的动态图和高效的静态图，既保留动态图的易用性，也具有静态图的高性能，这也是官网介绍的flexible和efficient的出处。同时，MXNet还具备大量学术界的前沿算法，方便移植至工业界。希望MXNet团队再接再励，在深度学习框架的竞赛中，位于前列。

因此，掌握 MXNet/Gluon 很有必要。

本文以深度学习的多层感知机（Multilayer Perceptrons）为算法基础，数据集选用MNIST，介绍MXNet的工程细节。

本文的源码：https://github.com/SpikeKing/gluon-tutorial

---

数据集

在虚拟环境（Virtual Env）中，直接使用pip安装MXNet即可：

pip install mxnet

如果下载速度较慢，推荐使用阿里云的pypi源：

-i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com

MNIST就是著名的手写数字识别库，其中包含0至9等10个数字的手写体，图片大小为28*28的灰度图，目标是根据图片识别正确的数字。

MNIST库在MXNet中被封装为MNIST类，数据存储于.mxnet/datasets/mnist中。如果下载MNIST数据较慢，可以选择到MNIST官网下载，放入mnist文件夹中即可。在MNIST类中：

• 参数train：是否为训练数据，其中true是训练数据，false是测试数据；
• 参数transform：数据的转换函数，lambda表达式，转换数据和标签为指定的数据类型；

源码：

# 参数train
if self._train:
    data, label = self._train_data, self._train_label
else:
    data, label = self._test_data, self._test_label

# 参数transform
if self._transform is not None:
    return self._transform(self._data[idx], self._label[idx])
return self._data[idx], self._label[idx]

在MXNet中，数据加载类被封装成DataLoader类，迭代器模式，迭代输出与批次数相同的样本集。在DataLoader中，

• 参数dataset：数据源，如MNIST；
• 参数batch_size：训练中的批次数量，在迭代中输出指定数量的样本；
• 参数shuffle：是否洗牌，即打乱数据，一般在训练时需要此操作。

迭代器的测试，每次输出样本个数（第1维）与指定的批次数量相同：

for data, label in train_data:
    print(data.shape)  # (64L, 28L, 28L, 1L)
    print(label.shape)  # (64L,)
    break

在load_data()方法中，输出训练和测试数据，数据类型是0~1（灰度值除以255）的浮点数，标签类型也是浮点数。

具体实现：

def load_data(self):
    def transform(data, label):
        return data.astype(np.float32) / 255., label.astype(np.float32)
    train_data = DataLoader(MNIST(train=True, transform=transform),
                            self.batch_size, shuffle=True)
    test_data = DataLoader(MNIST(train=False, transform=transform),
                           self.batch_size, shuffle=False)
    return train_data, test_data

---

模型

网络模型使用MXNet中Gluon的样式：

1. 创建Sequential()序列，Sequential是全部操作单元的容器；
2. 添加全连接单元Dense，参数units是输出单元的个数，参数activation是激活函数；
3. 初始化参数：
   
   • init是数据来源，Normal类即正态分布，sigma是正态分布的标准差；