📅  最后修改于: 2020-12-10 04:49:27             🧑  作者: Mango
在本章中,我们将讨论MXNet的多维数组格式ndarray 。
首先,我们将看到如何使用NDArray处理数据。以下是相同的前提条件-
要了解如何使用这种多维数组格式处理数据,我们需要满足以下先决条件:
MXNet安装在Python环境中
Python 2.7.x或Python 3.x
让我们借助下面给出的示例了解基本功能-
首先,我们需要从MXNet导入MXNet和ndarray,如下所示:
import mxnet as mx
from mxnet import nd
导入必要的库后,我们将具有以下基本功能:
例
x = nd.array([1,2,3,4,5,6,7,8,9,10])
print(x)
输出
输出如下所示-
[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
例
y = nd.array([[1,2,3,4,5,6,7,8,9,10], [1,2,3,4,5,6,7,8,9,10], [1,2,3,4,5,6,7,8,9,10]])
print(y)
输出
输出如下所示-
[[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]]
在这里,我们将使用.empty函数创建一个具有3行4列的矩阵。我们还将使用.full函数,它将使用一个额外的运算符来表示要填充数组的值。
例
x = nd.empty((3, 4))
print(x)
x = nd.full((3,4), 8)
print(x)
输出
输出如下-
[[0.000e+00 0.000e+00 0.000e+00 0.000e+00]
[0.000e+00 0.000e+00 2.887e-42 0.000e+00]
[0.000e+00 0.000e+00 0.000e+00 0.000e+00]]
[[8. 8. 8. 8.]
[8. 8. 8. 8.]
[8. 8. 8. 8.]]
例
x = nd.zeros((3, 8))
print(x)
输出
输出如下-
[[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]]
例
x = nd.ones((3, 8))
print(x)
输出
输出在下面提到-
[[1. 1. 1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1. 1. 1.]]
例
y = nd.random_normal(0, 1, shape=(3, 4))
print(y)
输出
输出如下-
[[ 1.2673576 -2.0345826 -0.32537818 -1.4583491 ]
[-0.11176403 1.3606371 -0.7889914 -0.17639421]
[-0.2532185 -0.42614475 -0.12548696 1.4022992 ]]
例
y.shape
输出
输出如下-
(3, 4)
例
y.size
输出
12
例
y.dtype
输出
numpy.float32
在本节中,我们将向您介绍MXNet的阵列操作。 NDArray支持大量标准数学运算和就地运算。
以下是NDArray支持的标准数学运算-
首先,我们需要从MXNet导入MXNet和ndarray,如下所示:
import mxnet as mx
from mxnet import nd
x = nd.ones((3, 5))
y = nd.random_normal(0, 1, shape=(3, 5))
print('x=', x)
print('y=', y)
x = x + y
print('x = x + y, x=', x)
输出
输出如下:
x=
[[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]]
y=
[[-1.0554522 -1.3118273 -0.14674698 0.641493 -0.73820823]
[ 2.031364 0.5932667 0.10228804 1.179526 -0.5444829 ]
[-0.34249446 1.1086396 1.2756858 -1.8332436 -0.5289873 ]]
x = x + y, x=
[[-0.05545223 -0.3118273 0.853253 1.6414931 0.26179177]
[ 3.031364 1.5932667 1.102288 2.1795259 0.4555171 ]
[ 0.6575055 2.1086397 2.2756858 -0.8332436 0.4710127 ]]
例
x = nd.array([1, 2, 3, 4])
y = nd.array([2, 2, 2, 1])
x * y
输出
您将看到以下输出-
[2. 4. 6. 4.]
例
nd.exp(x)
输出
运行代码时,您将看到以下输出:
[ 2.7182817 7.389056 20.085537 54.59815 ]
例
nd.dot(x, y.T)
输出
下面给出的是代码的输出-
[16.]
在上面的示例中,每次运行一个操作时,我们都会分配一个新的内存来承载其结果。
例如,如果我们写A = A + B,我们将取消引用A指向的矩阵,而是将其指向新分配的内存。让我们用下面的示例使用Python的id()函数来理解它-
print('y=', y)
print('id(y):', id(y))
y = y + x
print('after y=y+x, y=', y)
print('id(y):', id(y))
输出
执行后,您将收到以下输出-
y=
[2. 2. 2. 1.]
id(y): 2438905634376
after y=y+x, y=
[3. 4. 5. 5.]
id(y): 2438905685664
实际上,我们还可以将结果分配给先前分配的数组,如下所示:
print('x=', x)
z = nd.zeros_like(x)
print('z is zeros_like x, z=', z)
print('id(z):', id(z))
print('y=', y)
z[:] = x + y
print('z[:] = x + y, z=', z)
print('id(z) is the same as before:', id(z))
输出
输出如下所示-
x=
[1. 2. 3. 4.]
z is zeros_like x, z=
[0. 0. 0. 0.]
id(z): 2438905790760
y=
[3. 4. 5. 5.]
z[:] = x + y, z=
[4. 6. 8. 9.]
id(z) is the same as before: 2438905790760
从上面的输出中,我们可以看到x + y仍将在将结果复制到z之前分配一个临时缓冲区来存储结果。因此,现在我们可以就地执行操作,以更好地利用内存并避免临时缓冲区。为此,我们将指定每个运算符支持的out关键字参数,如下所示:
print('x=', x, 'is in id(x):', id(x))
print('y=', y, 'is in id(y):', id(y))
print('z=', z, 'is in id(z):', id(z))
nd.elemwise_add(x, y, out=z)
print('after nd.elemwise_add(x, y, out=z), x=', x, 'is in id(x):', id(x))
print('after nd.elemwise_add(x, y, out=z), y=', y, 'is in id(y):', id(y))
print('after nd.elemwise_add(x, y, out=z), z=', z, 'is in id(z):', id(z))
输出
在执行上述程序时,您将获得以下结果-
x=
[1. 2. 3. 4.]
is in id(x): 2438905791152
y=
[3. 4. 5. 5.]
is in id(y): 2438905685664
z=
[4. 6. 8. 9.]
is in id(z): 2438905790760
after nd.elemwise_add(x, y, out=z), x=
[1. 2. 3. 4.]
is in id(x): 2438905791152
after nd.elemwise_add(x, y, out=z), y=
[3. 4. 5. 5.]
is in id(y): 2438905685664
after nd.elemwise_add(x, y, out=z), z=
[4. 6. 8. 9.]
is in id(z): 2438905790760
在Apache MXNet中,每个阵列都有一个上下文,一个上下文可以是CPU,而其他上下文可以是多个GPU。当我们跨多台服务器部署工作时,情况可能变得更糟。因此,我们需要智能地将数组分配给上下文。它将最大限度地减少在设备之间传输数据所花费的时间。
例如,尝试如下初始化数组-
from mxnet import nd
z = nd.ones(shape=(3,3), ctx=mx.cpu(0))
print(z)
输出
当执行上述代码时,您应该看到以下输出-
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
我们可以使用copyto()方法将给定的NDArray从一个上下文复制到另一个上下文,如下所示:
x_gpu = x.copyto(gpu(0))
print(x_gpu)
我们都很熟悉NumPy数组,但是Apache MXNet提供了自己的名为NDArray的数组实现。实际上,它最初的设计类似于NumPy,但有一个关键区别-
关键区别在于在NumPy和NDArray中执行计算的方式。 MXNet中的每个NDArray操作都是以异步和非阻塞方式完成的,这意味着,当我们编写类似c = a * b的代码时,该函数将被推送到Execution Engine ,它将开始计算。
这里,a和b都是NDArrays。使用它的好处是,该函数立即返回,并且尽管先前的计算可能尚未完成,但用户线程可以继续执行。
如果我们谈论执行引擎的工作原理,它将构建计算图。计算图可能会重新排序或合并一些计算,但始终遵循依赖关系顺序。
例如,如果稍后在编程代码中使用“ X”进行其他操作,则一旦“ X”的结果可用,执行引擎将开始执行操作。执行引擎将为用户处理一些重要的工作,例如编写回调以开始执行后续代码。
在Apache MXNet中,借助NDArray,要获取计算结果,我们只需要访问结果变量。代码流将被阻塞,直到将计算结果分配给结果变量为止。这样,它在提高代码性能的同时仍支持命令式编程模式。
让我们学习如何在MXNet中将NDArray转换为NumPy Array。
在少数几个较低级别的运算符的帮助下将较高级别的运算符符合并
有时,我们可以使用现有的运算符来组合一个更高级别的运算符符。最好的例子之一是nArray.full_like()运算符,它不在NDArray API中。可以很容易地用现有的运算符组合替换它,如下所示:
from mxnet import nd
import numpy as np
np_x = np.full_like(a=np.arange(7, dtype=int), fill_value=15)
nd_x = nd.ones(shape=(7,)) * 15
np.array_equal(np_x, nd_x.asnumpy())
输出
我们将获得类似以下的输出-
True
查找具有不同名称和/或签名的相似运算符
在所有运营商中,其中一些运算符的名称略有不同,但在功能方面相似。这样的一个例子是具有np.ravel()函数nd.ravel_index()。同样,某些运算符可能具有相似的名称,但是它们具有不同的签名。这样的一个例子是np.split()和nd.split()相似。
让我们通过以下编程示例来了解它:
def pad_array123(data, max_length):
data_expanded = data.reshape(1, 1, 1, data.shape[0])
data_padded = nd.pad(data_expanded,
mode='constant',
pad_width=[0, 0, 0, 0, 0, 0, 0, max_length - data.shape[0]],
constant_value=0)
data_reshaped_back = data_padded.reshape(max_length)
return data_reshaped_back
pad_array123(nd.array([1, 2, 3]), max_length=10)
输出
输出说明如下-
[1. 2. 3. 0. 0. 0. 0. 0. 0. 0.]
在某些情况下,我们必须使用.asnumpy()或.asscalar()方法,但这将强制MXNet阻止执行,直到可以检索结果为止。当我们认为此值的计算已完成时,可以通过立即调用.asnumpy()或.asscalar()方法来最大程度地减少阻塞调用的影响。
例
from __future__ import print_function
import mxnet as mx
from mxnet import gluon, nd, autograd
from mxnet.ndarray import NDArray
from mxnet.gluon import HybridBlock
import numpy as np
class LossBuffer(object):
"""
Simple buffer for storing loss value
"""
def __init__(self):
self._loss = None
def new_loss(self, loss):
ret = self._loss
self._loss = loss
return ret
@property
def loss(self):
return self._loss
net = gluon.nn.Dense(10)
ce = gluon.loss.SoftmaxCELoss()
net.initialize()
data = nd.random.uniform(shape=(1024, 100))
label = nd.array(np.random.randint(0, 10, (1024,)), dtype='int32')
train_dataset = gluon.data.ArrayDataset(data, label)
train_data = gluon.data.DataLoader(train_dataset, batch_size=128, shuffle=True, num_workers=2)
trainer = gluon.Trainer(net.collect_params(), optimizer='sgd')
loss_buffer = LossBuffer()
for data, label in train_data:
with autograd.record():
out = net(data)
# This call saves new loss and returns previous loss
prev_loss = loss_buffer.new_loss(ce(out, label))
loss_buffer.loss.backward()
trainer.step(data.shape[0])
if prev_loss is not None:
print("Loss: {}".format(np.mean(prev_loss.asnumpy())))
输出
输出引用如下:
Loss: 2.3373236656188965
Loss: 2.3656985759735107
Loss: 2.3613128662109375
Loss: 2.3197104930877686
Loss: 2.3054862022399902
Loss: 2.329197406768799
Loss: 2.318927526473999