Python mxnet.gluon.Parameter用法及代碼示例

用法: class mxnet.gluon.Parameter(name, grad_req='write', shape=None, dtype=<class 'numpy.float32'>, lr_mult=1.0, wd_mult=1.0, init=None, allow_deferred_init=False, differentiable=True, stype='default', grad_stype='default')

參數：

name：(str) - 此參數的名稱。
grad_req：({'write', 'add', 'null'}, default 'write') -指定如何將梯度更新為 grad 數組。
- 'write' 表示每次將梯度寫入 grad NDArray 。
- 'add' 表示每次將梯度添加到漸變 NDArray 。使用此選項時，您需要在每次迭代之前手動調用zero_grad() 來清除梯度緩衝區。
- 'null' 表示此參數不請求漸變。不會分配梯度數組。
shape：(int or tuple of int, default None) - 此參數的形狀。默認情況下未指定形狀。形狀未知的參數可用於SymbolAPI，但是init使用時會報錯NDArrayAPI。
dtype：(numpy.dtype or str, default 'float32') - 此參數的數據類型。例如，numpy.float32或者'float32'.
lr_mult：(float, default 1.0) - 學習率乘數。使用優化器更新此參數時，學習率將乘以lr_mult。
wd_mult：(float, default 1.0) - 權重衰減乘數(L2 正則化係數)。工作方式類似於lr_mult。
init：(Initializer, default None) - 此參數的初始化程序。默認情況下將使用全局初始化程序。
stype：({'default', 'row_sparse', 'csr'}, defaults to 'default'.) - 參數的存儲類型。
grad_stype：({'default', 'row_sparse', 'csr'}, defaults to 'default'.) - 參數梯度的存儲類型。

基礎：object

一個 Container 持有 Blocks 的參數(權重)。

Parameter 在使用 Parameter.initialize(...) 初始化後，在每個 Context 上保存參數的副本。如果 grad_req 不是 'null' ，它還將在每個 Context 上保存一個漸變數組：

ctx = mx.gpu(0)
x = mx.nd.zeros((16, 100), ctx=ctx)
w = mx.gluon.Parameter('fc_weight', shape=(64, 100), init=mx.init.Xavier())
b = mx.gluon.Parameter('fc_bias', shape=(64,), init=mx.init.Zero())
w.initialize(ctx=ctx)
b.initialize(ctx=ctx)
out = mx.nd.FullyConnected(x, w.data(ctx), b.data(ctx), num_hidden=64)

屬性

`dtype`	參數的類型。
`shape`	參數的形狀。

相關用法

注：本文由純淨天空篩選整理自apache.org大神的英文原創作品 mxnet.gluon.Parameter。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。