MXNet 常见使用方法
1、关于GPU、CPU运算
1、目前MxNet支持相同平台下的变量运算，如果一个变量在GPU一个变量在CPU，则需要通过copyto之类的方式来统一。
MxNet中，可以通过gpu_device=mx.gpu()来创建GPU的context。下边的方式是切换到GPU上执行运算。
gpu_device=mx.gpu() # Change this to mx.cpu() in absence of GPUs.
def f():
a = mx.nd.ones((100,100))
b = mx.nd.ones((100,100))
c = a + b
print(c)
# in default mx.cpu() is used
f()
# change the default context to the first GPU
with mx.Context(gpu_device):
f()
2、参数同步：当我们使用多个GPU来训练模型时，gluon.Trainer会自动做数据并行，例如划分小批量数据样本并复制到各个GPU上，对各个GPU上的梯度求和再广播到所有GPU上。这样，我们就可以很方便地实现训练函数了。
loss = gloss.SoftmaxCrossEntropyLoss()
def train(num_gpus, batch_size, lr):
train_iter, test_iter = gb.load_data_fashion_mnist(batch_size)
ctx = [mx.gpu(i) for i in range(num_gpus)]
print('running on:', ctx)
net.initialize(init=init.Normal(sigma=0.01), ctx=ctx, force_reinit=True) # 网络初始化于各个设备
trainer = gluon.Trainer(
net.collect_params(), 'sgd', {'learning_rate': lr}) # 优化器会自动识别net对象的设备列表
for epoch in range(1, 6):
start = time()
for X, y in train_iter:
gpu_Xs = gutils.split_and_load(X, ctx) # 数据划分到各个设备
gpu_ys = gutils.split_and_load(y, ctx)
with autograd.record():
ls = [loss(net(gpu_X), gpu_y) for gpu_X, gpu_y in zip(
gpu_Xs, gpu_ys)] # 记录各个设备的损失函数
for l in ls:
l.backward() # 各个设备分别反向传播
trainer.step(batch_size) # 优化时自动同步各个设备参数
nd.waitall()
print('epoch %d, training time: %.1f sec'%(epoch, time() - start))
test_acc = gb.evaluate_accuracy(test_iter, net, ctx[0])
print('validation accuracy: %.4f'%(test_acc))
train(num_gpus=2, batch_size=512, lr=0.3)
参考文章
『MXNet』第七弹_多GPU并行程序设计
MXNet 常见进阶使用方法
后期继续更新……
1、CNN算法
executor = sym.simple_bind(ctx = mx.cpu(), **input_shapes)
executor.forward() #前向运行
excutor.backward() #后向运行
executor.outputs[0].asnumpy()
sym.simple_bind方法
MXNet 常见高阶使用方法
后期继续更新……
