溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本文實例講述了Python Gluon參數和模塊命名操作。分享給大家供大家參考，具體如下：
在gluon里，每個參數和塊都有一個名字（和前綴）。參數名可以由用戶指定，block名也可以由用戶指定，也可以自動創建。
本教程中，我們將討論命名方面的最佳實踐。首先，import MXNet和Gluon
from __future__ import print_function import mxnet as mx from mxnet import gluon
在創建block時，可以指定一個前綴給它：
mydense = gluon.nn.Dense(100, prefix='mydense_') print(mydense.prefix) mydense_
若沒有指定前綴，gluon會自動生成一個前綴
dense0 = gluon.nn.Dense(100) print(dense0.prefix) dense0_
當你創建更多同類塊時，它們將遞增后綴命名，以避免沖突：
dense1 = gluon.nn.Dense(100) print(dense1.prefix) dense1_
blocks中的參數將用過將block的前綴添加到參數的名稱來命名:
print(dense0.collect_params()) dense0_ ( Parameter dense0_weight (shape=(100, 0), dtype=<type 'numpy.float32'>) Parameter dense0_bias (shape=(100,), dtype=<type 'numpy.float32'>) )
為了管理嵌套block的名稱，每個塊附加有一個name_scope（名稱空間）。在name_scope中創建的block都會在其名稱前加上父block的名稱。
我們將定義一個簡單的神經網絡來說明這點：
class Model(gluon.Block): def __init__(self, **kwargs): super(Model, self).__init__(**kwargs) with self.name_scope(): self.dense0 = gluon.nn.Dense(20) self.dense1 = gluon.nn.Dense(20) self.mydense = gluon.nn.Dense(20, prefix='mydense_') def forward(self, x): x = mx.nd.relu(self.dense0(x)) x = mx.nd.relu(self.dense1(x)) return mx.nd.relu(self.mydense(x))
現在實例化這個神經網絡
model0.dense0的名稱是model0_dense0_而非dense0_model.mydense的前綴為mydense_，它的父類前綴會自動生成并添加到前面變成model0_mydense_這里的名稱前綴和變量名model0沒有關系，這里就算把model0換成其他變量名比如net，前綴還是model?，? 表示這是一個遞增的數字，這里的名稱前綴和
class Model有關 若將類名Model換成Hodel，那么后面的前綴都會變成 hodel?
model0 = Model() model0.initialize() model0(mx.nd.zeros((1, 20))) print(model0.prefix) print(model0.dense0.prefix) print(model0.dense1.prefix) print(model0.mydense.prefix) model0_ model0_dense0_ model0_dense1_ model0_mydense_
若我們再次實例化Model，在Dense前會生成一個不同的名稱。
model1.dense0的名稱依然是dense0_而非dense2_，遵循之前在model0中創建的dense層的命名規則。這是因為每個model的命名空間是相互獨立model1 = Model() print(model1.prefix) print(model1.dense0.prefix) print(model1.dense1.prefix) print(model1.mydense.prefix) model1_ model1_dense0_ model1_dense1_ model1_mydense_
建議手動為頂層的model指定一個前綴，即model = Model(prefix=‘mymodel_')，以避免命名時可能出現的混淆。
相同的規則同樣適用于像Sequential這類容器block.name_scope 既可以在__init__內使用，也可以在__init__ 外使用：
注意：這里
Sequential也有參數prefix，是可以自己指定名稱的，不指定的話就叫Sequential
net = gluon.nn.Sequential() with net.name_scope(): net.add(gluon.nn.Dense(20)) net.add(gluon.nn.Dense(20)) print(net.prefix) print(net[0].prefix) print(net[1].prefix) sequential0_ sequential0_dense0_ sequential0_dense1_
gluon.model_zoo也一樣
net = gluon.nn.Sequential() with net.name_scope(): net.add(gluon.model_zoo.vision.alexnet(pretrained=True)) net.add(gluon.model_zoo.vision.alexnet(pretrained=True)) print(net.prefix, net[0].prefix, net[1].prefix) sequential1_ sequential1_alexnet0_ sequential1_alexnet1_
由于model0和model1有不同的前綴，所以它們的參數是有不同名字的：
print(model0.collect_params(), '\n') print(model1.collect_params()) model0_ ( Parameter model0_dense0_weight (shape=(20L, 20L), dtype=<type 'numpy.float32'>) Parameter model0_dense0_bias (shape=(20L,), dtype=<type 'numpy.float32'>) Parameter model0_dense1_weight (shape=(20L, 20L), dtype=<type 'numpy.float32'>) Parameter model0_dense1_bias (shape=(20L,), dtype=<type 'numpy.float32'>) Parameter model0_mydense_weight (shape=(20L, 20L), dtype=<type 'numpy.float32'>) Parameter model0_mydense_bias (shape=(20L,), dtype=<type 'numpy.float32'>) ) model1_ ( Parameter model1_dense0_weight (shape=(20, 0), dtype=<type 'numpy.float32'>) Parameter model1_dense0_bias (shape=(20,), dtype=<type 'numpy.float32'>) Parameter model1_dense1_weight (shape=(20, 0), dtype=<type 'numpy.float32'>) Parameter model1_dense1_bias (shape=(20,), dtype=<type 'numpy.float32'>) Parameter model1_mydense_weight (shape=(20, 0), dtype=<type 'numpy.float32'>) Parameter model1_mydense_bias (shape=(20,), dtype=<type 'numpy.float32'>) )
若你嘗試將model0的參數載入到model1中，你將會得到一個名稱不匹配的錯誤
model0.collect_params().save('model.params')
try:
model1.collect_params().load('model.params', mx.cpu())
except Exception as e:
print(e)
Parameter 'model1_dense0_weight' is missing in file 'model.params', which contains parameters: 'model0_mydense_weight', 'model0_dense1_bias', 'model0_dense1_weight', 'model0_dense0_weight', 'model0_dense0_bias', 'model0_mydense_bias'. Please make sure source and target networks have the same prefix.
為了解決這個問題，我們使用save_parameters/load_parameters而不是 collect_params 和save/load. save_parameters。使用模型結構而非參數名稱來匹配參數。
model0.save_parameters('model.params')
model1.load_parameters('model.params')
print(mx.nd.load('model.params').keys())
['dense0.bias', 'mydense.bias', 'dense1.bias', 'dense1.weight', 'dense0.weight', 'mydense.weight']
有時需要加載一些預訓練的模型，并替換其中某些block并進行fine-turning。
For example, the alexnet in model zoo has 1000 output dimensions, but maybe you only have 100 classes in your application.
例如，alexnet有1000個輸出維度但你只有100類。
我們首先載入預訓練的AlexNet
features ，輸出層叫 output.alexnet = gluon.model_zoo.vision.alexnet(pretrained=True) print(alexnet.output) print(alexnet.output.prefix) Dense(4096 -> 1000, linear) alexnet0_dense2_
改變輸出為100維，使用一個新block替換它
with alexnet.name_scope(): alexnet.output = gluon.nn.Dense(100) alexnet.output.initialize() print(alexnet.output) print(alexnet.output.prefix) Dense(None -> 100, linear) alexnet0_dense3_
原文：http://mxnet.incubator.apache.org/versions/master/tutorials/gluon/naming.html
更多關于Python相關內容可查看本站專題：《Python數學運算技巧總結》、《Python圖片操作技巧總結》、《Python數據結構與算法教程》、《Python函數使用技巧總結》、《Python字符串操作技巧匯總》及《Python入門與進階經典教程》
希望本文所述對大家Python程序設計有所幫助。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
