使用mxnet進行簡單的梯度下降

Question

我正在嘗試使用MXNet的梯度下降優化器來最小化功能。 Tensorflow中的等效示例是：

import tensorflow as tf

x = tf.Variable(2, name='x', dtype=tf.float32)
log_x = tf.log(x)
log_x_squared = tf.square(log_x)

optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(log_x_squared)

init = tf.initialize_all_variables()

def optimize():
  with tf.Session() as session:
    session.run(init)
    print("starting at", "x:", session.run(x), "log(x)^2:", session.run(log_x_squared))
    for step in range(10):  
      session.run(train)
      print("step", step, "x:", session.run(x), "log(x)^2:", session.run(log_x_squared))

我不確定如何在MXNet中完成相同的工作。 優化程序API 文檔似乎沒有等效方法。 這是我到目前為止所嘗試的內容。 主要的困惑是需要傳遞培訓數據：

import mxnet as mx

x = mx.sym.Variable('data')
log_x = mx.sym.log(x)
log_x_squared = mx.sym.square(log_x)

mod = mx.mod.Module(log_x_squared)  # Create a module where the loss function
                                    # is the one we want to optimize
mod.bind(data_shapes=[('data', (1,1))])  # ?? not sure if this is correct - we
                                         # are saying our input is a scalar
mod.init_params()
mod.init_optimizer()  # SGD is default

mod.fit()  # ?? must pass data_iter to fit

似乎x變量應該以某種方式作為data_iter反饋，但我不知道如何實現這一點。

更新：感謝kevinthesun的出色答案！ 這是一個建立在單個隱藏層神經網絡之上的工作最小化例程：

import mxnet as mx
import numpy as np


def minimize(objective_function,
             initial_params,
             max_iters=1000,
             optimizer='sgd',
             optimizer_params=(('learning_rate', 0.1),),
             tol=1e-8):

    class InitialParam(mx.init.Initializer):

        def __init__(self, vals):
            super(InitialParam, self).__init__()
            self._vals = vals

        def _init_weight(self, _, arr):
            arr[:] = self._vals.asnumpy()[:, np.newaxis]


    x = mx.sym.Variable('data')
    params_len = initial_params.shape[0]
    fc = mx.sym.FullyConnected(data=x, name='fc1',
                               num_hidden=params_len,
                               no_bias=True)

    # Passing the FullyConnected layer into the objective function
    # is difficult to manipulate. If the fully connected layer represents
    # [x, y] for optimizing a 2 dimensional function f(x, y) it is easier
    # to work with x, and y. So we split the fully connected layer into a
    # number of symbols for each parameter:
    param_syms = []
    for i in range(params_len):
        ps = mx.sym.slice(fc, begin=(0, i), end=(1, i + 1))
        param_syms.append(ps)

    # The loss function for the network is our objective function.
    loss = mx.sym.MakeLoss(objective_function(param_syms))
    mod = mx.mod.Module(loss)

    mod.bind(data_shapes=[('data', (1,))])
    mod.init_params(InitialParam(initial_params))
    mod.init_optimizer(optimizer=optimizer,
                       optimizer_params=optimizer_params)

    (o_name, o_shape), = mod.output_shapes

    i = 0
    params = initial_params
    old_val = np.full(o_shape, np.nan)
    while i < max_iters:
        mod.forward_backward(mx.io.DataBatch(
            data=[mx.nd.ones((1,))])) 
        mod.update()
        params = mod.get_params()[0]['fc1_weight']
        val = mod.get_outputs()[0].asnumpy()
        if np.allclose(old_val, val, atol=tol):
            print 'Function value: {}'.format(val)
            print 'Iterations: {}'.format(i)
            return params

        old_val = val
        i += 1

    return params

並使用它：

def my_func(x):
    return (x[0] + 1) ** 2

p = minimize(my_func, mx.nd.array([1.0]))
p.asnumpy()

>>> array([[-0.99999988]], dtype=float32)

另一個：

def my_func(x):
    return (x[0] + 1) ** 2 + (x[1] - 2) ** 2 + (x[2] + 3) ** 2

p = minimize(my_func, mx.nd.array([1.0, 1.5, 2.0]))
p.asnumpy()

>>> array([[-0.99996436],
           [ 1.99999106],
           [-2.99991083]], dtype=float32)

Answer 1

目前，由於前端缺乏支持，使用MXNet優化簡單功能並不像tensorflow那么容易。

首先，您需要一個損失功能作為網絡的最后一層。 這是log_x_squared。 使用MakeLoss創建損失函數。

第二是輸入和權重。 由於目前MXNet中的變量不計入可訓練的重量，因此需要將x設置為重量。 這是一個解決方法：設置一個'假的'輸入變量，它總是為1.在它添加一個完全連接的圖層后，它有一個隱藏單元，沒有偏差。 這給了我們“1 * x”。 現在我們的x是一個重量。

第三，如果您想在單個數據樣本上多次優化，module.fit可能不是最佳選擇。 初始化優化器后。 您只需要多次調用module.forward_backward（）和module.update（）。 對於forward_backward函數，您需要傳遞數據集，與數據服務器相比，這是一個更簡單的接口。 這里我們只需要每次都傳遞一個1的常量ndarray。

實際上我們構造了log（1 * x）^ 2的計算圖，x變成了重量而不是變量。

無論如何，我們應該考慮提供類似的tensorflow接口來優化變量。

希望這是有用的信息！

Answer 2

mxnet與tensorflow不同。 您需要閱讀本教程