Mxnet入门--第1篇

MXNet教程

这一系列文章将概括介绍深度学习库MXNet，将介绍该库的主要功能及其Python API（可能会成为该库的首选API）。随后还将提供一些有关MXNet的在线教程和笔记，希望能帮助大家更好地理解这项技术！

如果希望进一步了解MXNet的原理和架构，推荐阅读这篇论文：“MXNet：适用于异构分布式系统，灵活高效的机器学习库”。本文将介绍这篇论文涉及的大部分概念，不过会尽量以更浅显易懂的方式进行介绍。

在本地运行MXNet

首先最重要的事：MXNet的安装。本文不会详细介绍安装方法，只会介绍一些技巧。

MXNet最酷的功能之一在于，可以在CPU和GPU上实现完全相同的运行效果（下文将介绍如何针对具体运算选择运行位置）。这意味着就算你的计算机不具备Nvidia GPU（例如我的MacBook），依然可以编写并运行MXNet代码，并放在具备GPU的系统中使用。

如果你的计算机带有符合要求的GPU也更好，但还需要安装CUDA和cuDNN工具包，大部分情况下这一过程犹如一场噩梦。就算MXNet二进制文件和Nvidia工具之间存在哪怕最轻微的不兼容问题，也会导致安装失败无法使用。

因此我个人强烈建议你使用MXNet网站提供的Docker镜像：一个针对CPU环境，另一个针对GPU环境（要求具备nvidia-docker）。这些镜像包含预安装的所有必要组件，可以帮助用户更快速投入使用。

sudo -H pip install mxnet  --upgrade
python
>>> import mxnet as mx
>>> mx.__version__
'0.9.3a3'

另外值得一提的是，这个Docker镜像提供的Python程序包似乎比通过“pip”方式获得的版本更新一些。

docker run -it  mxnet/python
root@88a5fe9c8def:/# python
>>> import mxnet as mx
>>> mx.__version__
'0.9.5'

通过AWS运行MXNet

AWS提供了适用于Linux和Ubuntu的深度学习AMI (Amazon Machine Image)。这些AMI包含预安装的各种深度学习框架（MXNet是其中之一），此外还包含Nvidia工具以及其他工具。无需配置立即可用。

====================================================================
       __|  __|_  )
       _|  (     /   Deep Learning AMI for Amazon Linux
      ___|\___|___|
====================================================================
[ec2-user@ip-172-31-42-173 ~]$ nvidia-smi -L
GPU 0: GRID K520 (UUID: GPU-d470337d-b59b-ca2a-fe6d-718f0faf2153)
[ec2-user@ip-172-31-42-173 ~]$ python
>>> import mxnet as mx
>>> mx.__version__
'0.9.3'

我们可以在常规实例或GPU实例上运行这种AMI。如果你的计算机未配备Nvidia GPU，那么在稍后启动训练网络后这一特性就会显得很实用：成本最低的选项是使用每小时价格仅为0.65美元的g2.2xlarge实例。

因此目前，继续按照老派的做法使用CPU就够了！一起开始吧。

为何说NDArrays很重要

我们要介绍的第一类MXNet API是NDArray API。NDArray是一种n维阵列，其中可包含类型与大小完全一致的项（32位浮点、32位整数等）。

这种阵列为何重要？之前的一篇文章中进行过解释：神经网络的训练和运行会涉及大量数学运算，此时将使用多维阵列来存储数据。

输入数据，神经元进行权值，随后输出的数据存储至向量和矩阵（Matrice）中，因此自然而然就产生了这种类型的构造。

用一个简单的例子来类比一下：图片分类。下图代表一个手写的数字“8”，图片规格为18x18像素。

数字“8”，18x18像素

这个图片可以看作是一个18x18的矩阵，其中每个单元代表了对应像素的灰度值：“0”代表白色，“255”代表黑色，介于两者之间的值代表254级灰度。我们正是通过这种矩阵化的呈现训练神经网络对从0到9的数字进行分类的。

一个18x18的矩阵，代表了上述图片的灰度值

假设我们用彩色图片取代灰度图片。这样每个图片将需要用3个矩阵来表示，每种颜色对应一个矩阵，此时输入的数据会变得略微复杂一些。

接着更进一步，假设为了实现无人驾驶需要进行实时图片识别：为了能通过高质量的实时数据做决策，我们会使用1000x1000像素的RGB图片，并且每秒钟需要识别30帧。每一秒，都需要处理90个1000x1000的矩阵（30帧x3色）。如果每个像素用一个32位值表示，那就是90x1000x1000x4字节，大约343兆字节。如果用到了多个摄像头，数据量还会进一步激增。

对神经网络来说这个数据量已经很大了：为了获得最优性能（例如最小延迟），GPU并不会逐张处理图片，而是会偏批量处理。如果批的大小为8，我们的神经网络将以1000x1000x24的块为单位处理输入的数据，也就是以三原色代表的8张1000x1000像素图片组成的三维阵列。

底线：最起码需要理解NDArrays :) 这是神经网络的基础，并且我们的大部分数据都会存储为这种形式。

NDArray API

了解了NDArrays的重要性后，再来看看工作方式（没错，终于开始讲代码了！）。如果你曾用过numpy这个Python库会更好理解：NDArrays与其极为类似，并且你可能已经熟悉其中的大部分API，完整文档可参阅这里。

首先从最基础的开始。这就不需要过多解释了吧 :)

>>> a = mx.nd.array([[1,2,3], [4,5,6]])
>>> a.size
6
>>> a.shape
(2L, 3L)
>>> a.dtype
<type 'numpy.float32'>

默认情况下，一个NDArray可以保存32位浮点，不过这个大小可以调整。

>>> import numpy as np
>>> b = mx.nd.array([[1,2,3], [2,3,4]], dtype=np.int32)
>>> b.dtype

NDArray的打印很简单，这样：

>>> b.asnumpy()
array([[1, 2, 3],
       [2, 3, 4]], dtype=int32)

NDArray支持所有需要的数学运算，例如可以试试看进行一个面向元素的矩阵乘法：

>>> a = mx.nd.array([[1,2,3], [4,5,6]])
>>> b = a*a
>>> b.asnumpy()
array([[  1.,   4.,   9.],
       [ 16.,  25.,  36.]], dtype=float32)

再来个严格意义上的矩阵乘法（又叫“点积”）怎么样？

>>> a = mx.nd.array([[1,2,3], [4,5,6]])
>>> a.shape
(2L, 3L)
>>> a.asnumpy()
array([[ 1.,  2.,  3.],
       [ 4.,  5.,  6.]], dtype=float32)
>>> b = a.T
>>> b.shape
(3L, 2L)
>>> b.asnumpy()
array([[ 1.,  4.],
       [ 2.,  5.],
       [ 3.,  6.]], dtype=float32)
>>> c = mx.nd.dot(a,b)
>>> c.shape
(2L, 2L)
>>> c.asnumpy()
array([[ 14.,  32.],
       [ 32.,  77.]], dtype=float32)

接着再来试试一些更复杂的运算：

• 初始化一个均匀分布的1000x1000矩阵并存储在GPU#0（此处使用了一个g2实例）。
• 初始化另一个正态分布的1000x1000矩阵（均值为1，标准差为2），也存储在GPU#0。

>>> c = mx.nd.uniform(low=0, high=1, shape=(1000,1000), ctx="gpu(0)")
>>> d = mx.nd.normal(loc=1, scale=2, shape=(1000,1000), ctx="gpu(0)")
>>> e = mx.nd.dot(c,d)

别忘了，MXNet可以在CPU和GPU上实现一致的运行结果。这就是个很棒的例子：只要将上述代码中的“gpu(0)”替换为“cpu(0)”，就可以通过CPU运行这个点积。

至此你应该可以开始与NDArray一起游戏了。我们还可以用其他更高级的函数（FullyConnected等）来构建神经网络，这些内容等真正开始介绍神经网络的时候再说。

今天要讲的就是这些。下篇文章将要介绍Symbol API，通过它我们可以定义数据流，而这才是神经网络最重要的部分。感谢阅读，还请继续关注。

后续内容：

- 第2篇：Symbol API

- 第3篇：Module API

- 第4篇：使用预训练模型进行图片分类（Inception v3）

- 第5篇：进一步了解预训练模型（VGG16和ResNet-152）

- 第6篇：通过树莓派进行实时物体检测（并让它讲话！）