MXNet中的命令式编程和符号式编程的优缺点

最新推荐文章于 2024-03-13 14:34:13 发布

寅恪光潜

最新推荐文章于 2024-03-13 14:34:13 发布

阅读量473

点赞数 1

分类专栏：深度学习框架（MXNet）文章标签： mxnet Symbol

本文链接：https://blog.csdn.net/weixin_41896770/article/details/125370472

版权

深度学习框架（MXNet）专栏收录该内容

66 篇文章 9 订阅

订阅专栏

本文详细介绍了MXNet框架中的命令式编程和符号式编程，对比了两者的特点和应用场景。命令式编程直观易调试，但效率较低；符号式编程效率高，通过预先定义计算图优化内存使用。示例展示了如何使用符号式编程构建和训练神经网络模型，包括卷积层、批标准化、激活函数、池化层和全连接层。最后，演示了使用fit方法进行模型训练的过程。

摘要由CSDN通过智能技术生成

MXNet支持使用命令式和符号式两种混合编程。

一般大家写的基本都是命令式编程，代码很直观，易于调试，但相比较符号式编程在效率上要差点，符号式编程看起来稍微复杂点，类似于建房子的图纸，先把整个架构给画出来，然后将整个流程bind绑定到执行器，最后给定输入，执行器运行即可。命令式编程属于交互式的，而符号式编程是非交互式的。

命令式编程(imperative programming)

import mxnet as mx
from mxnet import nd
A=nd.array([1,2,3])
B=nd.array([4,5,6])
C=nd.array([2,3,4])
Q=(A+B)*C
print(Q)

'''
[10. 21. 36.]
<NDArray 3 @cpu(0)>
'''

符号式编程(symbolic programming)

声明变量为Symbol类型：<class 'mxnet.symbol.symbol.Symbol'>

SA=mx.sym.Variable('A')
SB=mx.sym.Variable('B')
SC=mx.sym.Variable('C')
SQ=(SA+SB)*SC
EX=SQ.bind(ctx=mx.cpu(), args={'A':nd.array([1,2,3]), 'B':nd.array([4,5,6]),'C':nd.array([2,3,4])})
print(EX.forward())
#Variable可以简写为var，如SA=mx.sym.var('A')
'''
[
[10. 21. 36.]
<NDArray 3 @cpu(0)>]
'''

符号式编程用到的是MXNet框架中的Symbol接口，定义好计算图之后调用bind方法运行并返回，其中这个方法可以指定到CPU或GPU上进行计算。由于在命令式编程中，因为不确定变量后面是否还需要用到，所以会一直占用着内存，而符号式编程，首先就已经定义好了计算图，所以能够知道有些变量只是临时的，这样有些内存空间可以共享，这点也是它们最主要的区别。

使用符号式编程来构建和训练模型

import mxnet as mx
from mxnet import nd

data=mx.sym.Variable('data')#定义输入数据
conv=mx.sym.Convolution(data=data, num_filter=100, kernel=(3,3), pad=(1,1), name='conv1')#卷积层
bn=mx.sym.BatchNorm(data=conv, name='bn1')#批标准化层
relu=mx.sym.Activation(data=bn, act_type='relu', name='relu1')#激活函数relu的激活层
pool=mx.sym.Pooling(data=relu, kernel=(2,2), stride=(2,2), pool_type='max', name='pool1')#最大池化层
fc=mx.sym.FullyConnected(data=pool, num_hidden=3, name='fc1')#全连接层，分类为3
sym=mx.sym.SoftmaxOutput(data=fc, name='softmax')#最后得到损失函数输出层

#Symbol对象参数列表
print(sym.list_arguments())
#['data1', 'conv1_weight', 'conv1_bias', 'bn1_gamma', 'bn1_beta', 'fc1_weight', 'fc1_bias', 'softmax_label']

arg_shape,out_shape,aux_shape=sym.infer_shape(data=(1,3,10,10))
print('参数形状：',arg_shape)
print('输出形状：',out_shape)
print('辅助层的形状：',aux_shape)#如BN层
'''
参数形状： [(1, 3, 10, 10), (100, 3, 3, 3), (100,), (100,), (100,), (3, 2500), (3,), (1,)]
输出形状： [(1, 3)]
辅助层的形状： [(100,), (100,)]
'''

#截取输入到池化层的信息
sym1=sym.get_internals()['pool1_output']
print(sym1.list_arguments())#['data1', 'conv1_weight', 'conv1_bias', 'bn1_gamma', 'bn1_beta']

#在这个后面新增3个全连接层
fc1=mx.sym.FullyConnected (data=sym_mini, num_hidden=3, name='fc1')
sym2=mx.sym.SoftmaxOutput (data=fc1, name='softmax')
print(sym2.list_arguments())
#['data1', 'conv1_weight', 'conv1_bias', 'bn1_gamma', 'bn1_beta', 'fc1_weight', 'fc1_bias', 'softmax_label']


#训练模型
data=mx.nd.random.uniform(0,1,shape=(100,3,224,224))
label=mx.nd.round(mx.nd.random.uniform(0,1,shape=(100)))
train_data = mx.io.NDArrayIter(data={'data':data},label={'softmax_label':label},batch_size=8,shuffle=True)
print(train_data.provide_data)#[DataDesc[data,(8, 3, 224, 224),<class 'numpy.float32'>,NCHW]]
print(train_data.provide_label)#[DataDesc[softmax_label,(8,),<class 'numpy.float32'>,NCHW]]

import logging
mod=mx.mod.Module(symbol=sym,context=mx.cpu())
logger=logging.getLogger()
logger.setLevel(logging.INFO)
mod.fit(train_data=train_data, num_epoch=5)


'''
INFO:root:Epoch[0] Train-accuracy=0.471154
INFO:root:Epoch[0] Time cost=10.652
INFO:root:Epoch[1] Train-accuracy=0.701923
INFO:root:Epoch[1] Time cost=25.408
INFO:root:Epoch[2] Train-accuracy=0.884615
INFO:root:Epoch[2] Time cost=10.553
INFO:root:Epoch[3] Train-accuracy=0.903846
INFO:root:Epoch[3] Time cost=9.904
INFO:root:Epoch[4] Train-accuracy=1.000000
INFO:root:Epoch[4] Time cost=10.006
'''

将常用的训练操作都封装在了fit方法里面，使用起来很方便，可以看到默认优化器是随机梯度下降法(sgd),学习率0.01

fit(train_data, eval_data=None, eval_metric='acc', epoch_end_callback=None, batch_end_callback=None, kvstore='local', optimizer='sgd', optimizer_params=(('learning_rate', 0.01),), eval_end_callback=None, eval_batch_end_callback=None, initializer=<mxnet.initializer.Uniform object at 0x000001C3FB572E88>, arg_params=None, aux_params=None, allow_missing=False, force_rebind=False, force_init=False, begin_epoch=0, num_epoch=None, validation_metric=None, monitor=None, sparse_row_id_fn=None)

从代码训练结果也可以看出fit()方法封装了bind、初始化参数、选择优化器、前向计算、反向传播、参数更新和计算评价指标等操作，以及显示训练结果操作，对于如何实现，有兴趣的可以继续往下看：

mod=mx.mod.Module(symbol=sym,context=mx.cpu())
mod.bind(data_shapes=train_data.provide_data,label_shapes=train_data.provide_label)
mod.init_params()
mod.init_optimizer()
eval_metric=mx.metric.create('acc')#评价方式：精度，也可以自定义评价函数
for epoch in range(5):
    end_of_batch=False
    eval_metric.reset()
    data_iter=iter(train_data)
    next_data_batch=next(data_iter)

    while not end_of_batch:
        data_batch=next_data_batch
        mod.forward(data_batch)
        mod.backward()
        mod.update()
        mod.update_metric(eval_metric, labels=data_batch.label)

        try:
            next_data_batch=next(data_iter)
            mod.prepare(next_data_batch)
        except StopIteration:
            end_of_batch=True

    eval_name_vals=eval_metric.get_name_value()
    print("Epoch:{} Train_Acc:{:.4f}".format(epoch, eval_name_vals[0][1]))
    arg_params, aux_params=mod.get_params()
    mod.set_params(arg_params, aux_params)
    train_data.reset()


'''
Epoch:0 Train_Acc:0.4327
Epoch:1 Train_Acc:0.7115
Epoch:2 Train_Acc:0.8654
Epoch:3 Train_Acc:1.0000
Epoch:4 Train_Acc:1.0000
'''