Apache MXNet的模块API类似于FeedForward模型，并且与Torch模块类似，编写起来也更容易。它由以下几类组成-

BaseModule([logger])

它代表模块的基类。可以将模块视为计算组件或计算机。模块的工作是执行向前和向后传递。它还会更新模型中的参数。

方法

下表显示了BaseModule类中包含的方法-

This method will get states from all devices

属性

下表显示了BaseModule类的方法中包含的属性-

data_shapes：有关详细信息，请参考https://mxnet.apache.org上的可用链接。 output_shapes：更多

output_shapes：有关更多信息，请访问https://mxnet.apache.org/api/ Python

BucketingModule(sym_gen […])

它代表模块的Bucketingmodule类，有助于有效处理各种长度的输入。

方法

下表显示了BucketingModule类中包含的方法-

属性

下表显示了BaseModule类的方法中包含的属性–

data_shapes-有关更多信息，请参见https://mxnet.apache.org/api/ Python/ docs上的链接。

output_shapes-有关更多信息，请参见https://mxnet.apache.org/api/ Python/ docs上的链接。

模块(符号[，数据名称，标签名称，…])

它代表包装符号的基本模块。

方法

下表显示了Module类中包含的方法-

属性

下表显示了Module类的方法中包含的属性-

data_shapes：有关更多详细信息，请访问链接https://mxnet.apache.org/api/ Python/ docs / api / module 。

output_shapes：此处提供的链接https://mxnet.apache.org/api/ Python/docs/api/module/index.html将提供其他重要信息。

PythonLossModule([名称，数据名称，…])

此类的基础是mxnet.module.python_module.PythonModule。 PythonLossModule类是一个方便的模块类，它将所有或许多模块API实现为空函数。

方法

下表显示了PythonLossModule类中包含的方法：

PythonModule([data_names，label_names …])

此类的基础是mxnet.module.base_module.BaseModule。 PythonModule类还是一个方便的模块类，它将所有或许多模块API实现为空函数。

方法

下表显示了PythonModule类中包含的方法-

属性

下表显示了PythonModule类的方法中包含的属性-

data_shapes-有关详细信息，请单击链接https://mxnet.apache.org 。

output_shapes-有关更多详细信息，请访问位于https://mxnet.apache.org的链接。

SequentialModule([logger])

此类的基础是mxnet.module.base_module.BaseModule。 SequentialModule类也是一个容器模块，可以将两个以上(多个)模块链接在一起。

方法

下表显示了SequentialModule类中包含的方法

属性

下表显示了BaseModule类的方法中包含的属性-

data_shapes-此处提供的链接https://mxnet.apache.org将帮助您更详细地了解属性。

output_shapes-详细信息，请访问https://mxnet.apache.org/api上的链接。

实施实例

在下面的示例中，我们将创建一个mxnet模块。

import mxnet as mx
input_data = mx.symbol.Variable('input_data')
f_connected1 = mx.symbol.FullyConnected(data, name='f_connected1', num_hidden=128)
activation_1 = mx.symbol.Activation(f_connected1, name='relu1', act_type="relu")
f_connected2 = mx.symbol.FullyConnected(activation_1, name = 'f_connected2', num_hidden = 64)
activation_2 = mx.symbol.Activation(f_connected2, name='relu2',
act_type="relu")
f_connected3 = mx.symbol.FullyConnected(activation_2, name='fc3', num_hidden=10)
out = mx.symbol.SoftmaxOutput(f_connected3, name = 'softmax')
mod = mx.mod.Module(out)
print(out)

输出

输出在下面提到-

例

print(mod)

输出

输出如下所示-

在下面的示例中，我们将实现正向计算

import mxnet as mx
from collections import namedtuple
Batch = namedtuple('Batch', ['data'])
data = mx.sym.Variable('data')
out = data * 2
mod = mx.mod.Module(symbol=out, label_names=None)
mod.bind(data_shapes=[('data', (1, 10))])
mod.init_params()
data1 = [mx.nd.ones((1, 10))]
mod.forward(Batch(data1))
print (mod.get_outputs()[0].asnumpy())

输出

当执行上述代码时，您应该看到以下输出-

[[2. 2. 2. 2. 2. 2. 2. 2. 2. 2.]]

例

data2 = [mx.nd.ones((3, 5))]

mod.forward(Batch(data2))
print (mod.get_outputs()[0].asnumpy())

输出

下面给出的是代码的输出-

[[2. 2. 2. 2. 2.]
[2. 2. 2. 2. 2.]
[2. 2. 2. 2. 2.]]