訓練一個神經網路往往只需要簡單的幾步：

1. 準備訓練資料
2. 初始化模型的引數
3. 模型嚮往計算與向後計算
4. 更新模型引數
5. 設定相關的checkpoint

如果上述的每個步驟都需要我們寫Python的程式碼去一步步實現，未免顯的繁瑣，好在MXNet提供了Module模組來解決這個問題，Module把訓練和推理中一些常用到的步驟程式碼進行了封裝。對於一定已經用Symbol定義好的神經網路，我們可以很容易的使用Module提供的一些高層次介面或一些中間層次的介面來讓整個訓練或推理容易操作起來。

下面我們將通過在UCI letter recognition資料集上訓練一個多層感知機來說明Module模組的用法。

第一步 載入一個數據集

我們先下載一個數據集，然後按80：20的比例劃分訓練集與測試集。我們通過MXNet的IO模組提供的資料迭代器每次返回一個batch size =32的訓練樣本

import logging
logging.getLogger().setLevel(logging.INFO)
import mxnet as mx
import numpy as np

# 資料以文字形式儲存，每行一個樣本，每一行資料之間用','分割，每一個字元為label
fname = mx.test_utils.download('http://archive.ics.uci.edu/ml/machine-learning-databases/letter-recognition/letter-recognition.data')
data = np.genfromtxt(fname, delimiter=',')[:,1:]
label = np.array([ord(l.split(',')[0])-ord('A') for l in open(fname, 'r')])

batch_size = 32
ntrain = int(data.shape[0]*0.8)
train_iter = mx.io.NDArrayIter(data[:ntrain, :], label[:ntrain], batch_size, shuffle=True)
val_iter = mx.io.NDArrayIter(data[ntrain:, :], label[ntrain:], batch_size)
 

第二步 定義一個network

net = mx.sym.var('data')
net = mx.sym.FullyConnected(data=net, name='fc1', num_hidden=64)
net = mx.sym.Activation(data=net, name='relu1', act_type='relu')
net = mx.sym.FullyConnected(data=net, name='fc2', num_hidden=26)
net = mx.sym.SoftmaxOutput(net, name='softmax')
mx.viz.plot_network(net)
 

第三步 建立一個Module

我們可以通過mx.mod.Module介面建立一個Module物件，它接收下面幾個引數：

• symbol:神經網路的定義
• context：執行運算的裝置
• data_names：網路輸入資料的列表
• label_names：網路輸入標籤的列表

對於我們在第二步定義的net，只有一個輸入資料即data，輸入標籤名為softmax_label，這個是我們在使用SoftmaxOutput操作時，自動命名的。

mod = mx.mod.Module(symbol=net, 
                    context=mx.cpu(), 
                    data_names=['data'], 
                    label_names=['softmax_label'])

Module的中間層次的介面

中間層次的介面主要是為了給開發者足夠的靈活性，也方便排查問題。我們下面會先列出來Moduel模組有哪些常見的中間層API，然後再利用這個API來訓練我們剛才定義的網路。

• bind：繫結輸入資料的形狀，分配記憶體
• init_params：初始化網路引數
• init_optimizer：指定優化方法，比如sgd
• metric.create：指定評價方法
• forward：向前計算
• update_metric：根據上一次的forward結果，更新評價指標
• backward：反射傳播
• update：根據優化方法和梯度更新模型的引數

# allocate memory given the input data and label shapes
mod.bind(data_shapes=train_iter.provide_data, label_shapes=train_iter.provide_label)
# initialize parameters by uniform random numbers
mod.init_params(initializer=mx.init.Uniform(scale=.1))
# use SGD with learning rate 0.1 to train
mod.init_optimizer(optimizer='sgd', optimizer_params=(('learning_rate', 0.1), ))
# use accuracy as the metric
metric = mx.metric.create('acc')
# train 5 epochs, i.e. going over the data iter one pass
for epoch in range(5):
    train_iter.reset()
    metric.reset()
    for batch in train_iter:
        mod.forward(batch, is_train=True)       # compute predictions
        mod.update_metric(metric, batch.label)  # accumulate prediction accuracy
        mod.backward()                          # compute gradients
        mod.update()                            # update parameters
    print('Epoch %d, Training %s' % (epoch, metric.get()))

Module 高層次的API

訓練

Moudle模組同時提供了高層次的API來完成訓練、預測和評估。不像使用中間層次API那樣繁瑣，我們只需要一個介面fit就可以完成上面的步驟。

# reset train_iter to the beginning
train_iter.reset()

# create a module
mod = mx.mod.Module(symbol=net,
                    context=mx.cpu(),
                    data_names=['data'],
                    label_names=['softmax_label'])

# fit the module
mod.fit(train_iter,
        eval_data=val_iter,
        optimizer='sgd',
        optimizer_params={'learning_rate':0.1},
        eval_metric='acc',
        num_epoch=8)

預測和評估

使用Moudle.predict可以得到資料的predict的結果。如果我們對結果不關心，我們可以使用score介面直接計算驗證資料集的準確率。

y = mod.predict(val_iter)
score = mod.score(val_iter, ['acc'])
print("Accuracy score is %f" % (score[0][1]))

上面的程式碼中我們使用了acc來計算準確率，我們還可以設定其他評估方法，如：top_k_acc,F1,RMSE,MSE,MAE,ce等。

訓練模型的儲存

我們可以通過設計一個checkpoint calback來在訓練過程中每個epoch結束後儲存模型的引數

# construct a callback function to save checkpoints
model_prefix = 'mx_mlp'
checkpoint = mx.callback.do_checkpoint(model_prefix)

mod = mx.mod.Module(symbol=net)
mod.fit(train_iter, num_epoch=5, epoch_end_callback=checkpoint)

使用load_checkpoint來載入已經儲存的模型引數，隨後我們可以把這些引數載入到Moudle中

sym, arg_params, aux_params = mx.model.load_checkpoint(model_prefix, 3)
# assign the loaded parameters to the module
mod.set_params(arg_params, aux_params)

我們也可以不使用set_params，而是直接在fit介面中指定已經儲存的checkpoint的引數，這些儲存的引數會替代fit原本的引數初始化。

mod = mx.mod.Module(symbol=sym)
mod.fit(train_iter,
        num_epoch=21,
        arg_params=arg_params,
        aux_params=aux_params,
        begin_epoch=3)