前言

在上一篇MXNet快速入门之NDArray介绍中，我们已经详细介绍过了MXNet的核心数据结构NDArray的基本用法，在使用MXNet构建神经网络中，到处都可以看到它的影子，如果对NDArray不了解可以参考上一篇文章。本篇文章主要介绍如何使用MXNet来构建神经网络。

Gluon

可以利用Gluon中的nn模块很便利的去创建全连接层、卷积层、池化层、激活层

1.全连接层

mxnet.gluon.nn.Dense(units, activation=None, use_bias=True, flatten=True, dtype=‘float32’, weight_initializer=None, bias_initializer=‘zeros’, in_units=0, **kwargs)

函数功能说明：Dense函数主要实现了一个全连接层的功能output=activation(dot(input,weight)+bias)，output表示的是函数的输出值，input表示的是输入值，activation表示输出元素输出时经过的激活函数，weight表示的是权重矩阵，bias表示的是偏置，当use_bias参数为True时偏置才会被创建。

参数说明：

units(int)：输出矩阵的大小activation(str)：设置使用的激活函数，常用的激活函数有relu、sigmoid、tanh、softrelu、softsign等。如果activation为None，则不使用激活函数，即linear函数，f(x)=x。use_bias(bool，default True)：是否创建偏置向量flatten(bool，default True)：输入的向量是否被展开，如果为True则除了第一个axis保持不变，其他axis都要被折叠在一起。如果为false则，除了最后一个axis其他的都保持不变。怎么理解这段话呢？下面举个例子吧，比如说，你输入矩阵shape为(3,4,4)，units为10，当flatten为True时，那么输出矩阵的shape就为(3,10)，当flatten为False时，输出矩阵的shape就为(3,4,10)dtype(str or np.dtype，default “float32”)：输出数据的数据类型bias_initializer(str or initializer)：设置偏置的初始化函数in_units(int，optional)：输入数据的大小，不需要特殊指定，mxnet会根据前向传播自动推断输入数据的shape

注意：输入矩阵必须是2阶的，否则我们需要通过flatten来将输入矩阵转换为2阶

利用nn.Dense方法来创建全连接层，还可以输出该层的结构

全连接层的前向传播，打印全连接层的输出值

输出全连接层的权重值

2.卷积层

mxnet.gluon.nn.Conv2D(channels, kernel_size, strides=(1, 1), padding=(0, 0), dilation=(1, 1), groups=1, layout=‘NCHW’, activation=None, use_bias=True, weight_initializer=None, bias_initializer=‘zeros’, in_channels=0, **kwargs)

函数功能说明：实现2D卷积

参数说明：

channels(int)：设置卷积输出的通道数，也就是卷积核的个数kernel_size(int or tuple/list of 2 int)：设置卷积核的shapestrides(int or tuple/list of 2 int)：设置卷积的步长padding(int or a tuple/list of 2 int)：卷积的时候是否需要在输入矩阵的周围填充0，从而来控制输出矩阵的大小dilation(int or tuple/list of 2 int)：设置膨胀卷积的参数，默认不使用膨胀卷积，膨胀卷积的目的是为了增大卷积核的感受野groups(int)：用于控制输入和输出之间的连接。当groups=1时，所有输入进行卷积产生输出。当groups=2时，等价于两个卷积层并排进行卷积，然后再将输出的结果进行连接，每个卷积层只使用了输入举证一半的channelslayout(str，default “NCHW”)：输入数据的数据格式，只有"NCHW"和"NHWC"两种格式，其中"N"表示的是batch，"C"表示的是channel，"H"表示的是height，"W"表示的是widthin_channels(int，default 0)：输入矩阵的通道数，如果没有特殊指定，mxnet会根据输入数据的shape推断出channelactivation(str)：设置激活函数use_bias(bool)：是否使用偏置weight_initializer(str or initializer)：设置初始化权重的方法bias_initializer(str or initializer)：设置偏置的初始化方法

输入数据：输入数据是一个4D矩阵，输入数据的格式请参考layout参数

输出数据：输出数据的格式和layout相同，输出数据的out_height和out_width计算公式如下：

out_height = floor((height + 2 * padding[0] - dilation[0] * (kernel_size[0] - 1) - 1 ) / stride[0] ) + 1

out_width = floor((width + 2 * padding[1] - dilation[1] * (kernel_size[1] - 1) - 1) /stride[1] + 1

3.池化层

mxnet.gluon.nn.MaxPool2D(pool_size=(2, 2), strides=None, padding=0, layout=‘NCHW’, ceil_mode=False, **kwargs)

函数功能说明：实现一个最大池化功能

参数说明：

pool_size(int or list/tuple of 2 ints)：最大池化的窗口大小strides(int，list/tuple of 2 ints，or None)：最大池化窗口的移动步长padding(int or list/tuple of 2 ints)：输入矩阵的边缘填充大小设置layout(str，default “NCHW”)：输入矩阵的数据设置ceil_mode(bool，default False)：如果为True将使用ceil来替换floor去计算输出矩阵的shape

最大池化层输入矩阵尺寸计算公式：

out_height = floor((height + 2 * padding[0] - pool_size[0]) / strides[0] ) + 1

out_width = floor((width +2 * padding[1] - pool_size[1]) / strides[1] ) + 1

4.构建神经网络

gluon的Sequential构建网络

利用mxnet的gluon很方便的构建一个链式网络

前向传播

查看指定层的权重参数

nn.Block构建网络

在使用Sequential构建网络的时候很方便，但是有一个不好的地方在于，网络的前向传播是自动构建的。接下来我们介绍另一种方法，可以方便快捷构建网络同时还能自定义网络的前向传播