MXNet框架Symbol模式下神经网络参数的一般操作

最新推荐文章于 2021-04-12 16:34:45 发布

原创

最新推荐文章于 2021-04-12 16:34:45 发布 · 1k 阅读

1 ·

CC 4.0 BY-SA版权

本文详细介绍了在MXNet框架的Symbol模式下如何进行神经网络参数的常见操作，包括创建、初始化、共享和更新参数，帮助开发者更好地理解和运用Symbol API构建深度学习模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

# 对于如下的普通网络：
import mxnet as mx
import mxnet.ndarray as nd

def mxnet_symbol_demo():
    data = mx.sym.Variable('data') 
    # layer1 
    conv1 = mx.sym.Convolution(data=data, kernel=(5,5), num_filter=32,name="conv1")
    relu1 = mx.sym.Activation(data=conv1,act_type="relu",name="relu1") 
    pool1 = mx.sym.Pooling(data=relu1,pool_type="max",kernel=(2,2),stride=(2,2),name="pool1") 
    # layer2 
    conv2 = mx.sym.Convolution(data=pool1, kernel=(3,3), num_filter=64,name="conv2") 
    relu2 = mx.sym.Activation(data=conv2,act_type="relu",name="relu2") 
    pool2 = mx.sym.Pooling(data=relu2,pool_type="max",kernel=(2,2),stride=(2,2),name="pool2") 
    # layer3 
    fc1 = mx.symbol.FullyConnected(data=mx.sym.flatten(pool2), num_hidden=256,name="fc1") 
    relu3 = mx.sym.Activation(data=fc1, act_type="relu",name="relu3") 
    # layer4 
    fc2 = mx.symbol.FullyConnected(data=relu3, num_hidden=10,name="fc2")
    out = mx.sym.SoftmaxOutput(data=f