MXNet 中文教程：图像分类

本人对于 MXNet 官方文档的 github 翻译页面：
https://github.com/ironyoung/mxnet/blob/master/docs/tutorials/computer_vision/image_classification.md

---

这个教程中，我们将标签分配给某张图片，并得到标签符合程度的评分高低。下列图片 (source) 展示了一个例子:

获取教程中的源代码：GitHub.

训练

针对特定的数据集训练模型，使用 train_dataset.py。例如：

• 为了训练一个 mnist 数据集上的 MLP 模型，使用以下命令：

  python train_mnist.py

• 为了在每个训练迭代时保存中间模型，使用以下命令：

  mkdir model; python train_mnist.py --model-prefix model/mnist

• 为了从第8个训练迭代时保存的模型重新开始训练，使用以下命令：

  python train_mnist.py --model-prefix model/mnist --load-epoch 8

• 为了选择另一种初始学习速率，并且将其在每半次训练迭代时以 0.9 的比例进行衰减，使用以下命令：

  python train_mnist.py --lr .1 --lr-factor .9 --lr-factor-epoch .5

• 为了使用 GPU 0 在 mnist 数据集上训练卷积神经网络，使用以下命令：

  python train_mnist.py --network lenet --gpus 0

• 为了使用多块 GPU，需要指定列表；例如: ---gpus 0,1,3.

• To see more options, use --help.

分布式训练

为了加速训练过程，可以利用多台电脑进行训练。

• 使用 2 个 workder 进程，快速测试你本地电脑的分布式训练：

  ../../tools/launch.py -n 2 python train_mnist.py --kv-store dist_sync

你可以任意使用同步的 SGD dist_sync 或者异步的 SGD
dist_async（SGD：随机梯度下降法）。

• 如果你可以使用 SSH 连接多台电脑，并且 mxnet 文件夹可以被这些电脑访问到 (作为一整个 NFS 被安装；查看教程：Ubuntu)，那么就可以在这些电脑上运行一个作业，首先通过在文件上保存他们的 hostname，例如：