1.不含模型参数的自定义层
from mxnet import gluon, nd
from mxnet.gluon import nn
class CenteredLayer(nn.Block):
# 自定义层
def __init__(self, **kwargs):
super(CenteredLayer, self).__init__(**kwargs)
def forward(self, x):
return x-x.mean()
# 这里构造的是没有自定义参数的层,所以都不需要调用初始化函数initialze()
# 其实就是forward函数中没有用到参数,所以不会报错
layer = CenteredLayer()
layer(nd.array([1,2,3,4,5]))
# 自定义层也可以用于构造更复杂的模型
net = nn.Sequential()
net.add(nn.Dense(128),
CenteredLayer())
net.initialize()
y = net(nd.random.uniform(shape=(4, 8)))
y.mean().asscalar
2.含模型参数的自定义层
这里使用Block模型里面自带的ParameterDict类型的成员变量params,params中的get方法可以创建Paramter实例。
class MyDense(nn.Block):
# units为该层的输出个数,in_units为该层的输入个数
def __init__(self, units, in_units, **kwargs):
super(MyDense, self).__init__(**kwargs)
'''用到成员变量params,通过get方法定义模型参数'''
self.weight = self.params.get('weight', shape=(in_units, units))
self.bias = self.params.get('bias', shape=(units,))
def forward(self, x):
'''这里forward函数使用了自定义的模型参数'''
linear = nd.dot(x, self.weight.data()) + self.bias.data()
return nd.relu(linear)
# 自立由于使用到了参数,所以需要初始化
dense = MyDense(units=3, in_units=5)
dense.initialize()
dense(nd.random.uniform(shape=(2,5)))
# 也可以使用自定义层构造模型
net = nn.Sequential()
net.add(MyDense(8, in_units=64),
MyDense(1, in_units=8))
net.initialize()
net(nd.random.uniform(shape=(2, 64)))