从零开始学深度学习mxnet教程：安装以及基本操作

一.导言

本教程适合对人工智能有一定的了解的同学，特别是对实际使⽤深度学习感兴趣的⼤学⽣、⼯程师和研究⼈员。但本教程并不要求你有任何深度学习或者机器学习的背景知识，我们将从头开始解释每⼀个概念。虽然深度学习技术与应⽤的阐述涉及了数学和编程，但你只需了解基础的数学和编程，例如基础的线性代数、微分和概率，以及基础的 Python 编程本教程将全⾯介绍深度学习从模型构造到模型训练的⽅⽅⾯⾯，以及它们在计算机视觉和⾃然语⾔处理中的应⽤。我们不仅将阐述算法原理，还将基于 Apache MXNet 来演⽰它们的实现和运⾏。如果你之前没有接触过 Python，可以参考中⽂教程http://www.runoob.com/python/python-tutorial.html 或英⽂教程 http://learnpython.org/ 。当然，如果你只对本教程中的数学部分感兴趣，你可以忽略掉编程部分，反之亦然。

二.安装

由于笔者本人用的是windows操作系统，因此只需要在windows命令行界面的模式下输入：

pip install mxnet

于是很快就可以安装完成了，如果不能安装的话，我们可以采用游侠加速器，在电脑上安装这个加速器，注册登录之后就可以使用了。这个加速器是可以免费使用一天的，之后的话基本上是一个月30元，对于学习计算机的朋友来说也并不是很贵，可以左转到百度搜索下载游侠加速器即可。

 三.1：数据操作

在深度学习中，我们通常会频繁地对数据进⾏操作。作为动⼿学深度学习的基础，本节将介绍如何对内存中的数据进⾏操作。在MXNet中，NDArray是存储和变换数据的主要⼯具，数据操作对于我们之后的学习相当重要。如果你之前⽤过NumPy，你会发现NDAr-ray 和 NumPy 的多维数组⾮常类似。然而，NDArray 提供 GPU 计算和⾃动求梯度等更多功能，这些使得 NDArray 更加适合深度学习。

首先我们从MXNet当中导入ndarray模块，这里的nd是ndarray的缩写形式。

我们输入：

from mxnet import nd

然后我们使用arange函数创建一个行向量：

 x = nd.arange()

输出结果是：

[ . . . . . . . . . . . .]

<NDArray 12 @cpu(0)>这时返回了⼀个 NDArray 实例，其中包含了从 0 开始的 12 个连续整数。从打印 x 时显⽰的属性<NDArray 12 @cpu(0)> 可以看出，它是⻓度为 12 的⼀维数组，且被创建在 CPU 主内存上。其中“@cpu(0)”⾥的 0 没有特别的意义，并不代表特定的CPU核心。我们接下来通过shape函数来获取这个对象的形状：

 x.shape 

输出：

（，）

我们同时可以利用size属性来得到这个对象实例当中总共的元素个数：

 x.size

输出：

12

下⾯使⽤ reshape 函数把⾏向量 x 的形状改为（3，4），也就是⼀个 3 ⾏ 4 列的矩阵，并记作X,除了形状不变之外，x当中的元素保持不变。

 X = x.reshape((, ))

输出：

[[ . . . .]
[ . . . .]
[ . . . .]]
<NDArray 3x4 @cpu()>

接下来，我们来输出一个张量（也就是三维的矩阵），并且让矩阵当中的每一个元素均为零：

 nd.zeros((, , ))

输出结果：

[[[. . . .]
[. . . .]
[. . . .]]
[[. . . .]
[. . . .]
[. . . .]]]
<NDArray 2x3x4 @cpu()>

同时我们还可以创建各元素均为1的张量，输入：

 nd.ones((, ))

输出：

[[. . . .]
[. . . .]
[. . . .]]
<NDArray 3x4 @cpu()>

我们也可以自定义我们要创建的NDArray当中的每一个元素的值：

 Y = nd.array([[, , , ], [, , , ], [, , , ]])

输出：

[[. . . .]
[. . . .]
[. . . .]]
<NDArray 3x4 @cpu()>

有些情况下，我们需要随机⽣成 NDArray 中每个元素的值。下⾯我们创建⼀个形状为（3，4）的NDArray。它的每个元素都随机采样于均值为 0 标准差为 1 的正态分布。

输入：

nd.random.normal(, , shape=(, ))

输出：

[[ 2.2122064 0.7740038 1.0434405 1.1839255 ]
[ 1.8917114 -1.2347414 -1.771029 -0.45138445]
[ 0.57938355 -1.856082 -1.9768796 -0.20801921]]
<NDArray 3x4 @cpu()>

三.2：运算

NDArray ⽀持⼤量的运算符（operator）。例如，我们可以对之前创建的两个形状为（3, 4）的NDArray 做按元素加法。所得结果形状不变。

比如我们可以做这些矩阵运算：
1. X + Y

2. X * Y

3. X / Y

4. Y.exp()（矩阵的每个元素做指数运算）

输出：

[[ 7.389056 2.7182817 54.59815 20.085537 ]
[ 2.7182817 7.389056 20.085537 54.59815 ]
[54.59815 20.085537 7.389056 2.7182817]]
<NDArray 3x4 @cpu()>

除了按元素计算外，我们还可以使⽤ dot 函数做矩阵运算。下⾯将 X 与 Y 的转置做矩阵乘法。由于 X 是 3 ⾏ 4 列的矩阵，Y 转置为 4 ⾏ 3 列的矩阵，两个矩阵相乘得到 3 ⾏ 3 列的矩阵。

 nd.dot(X, Y.T)

输出：

[[ . . .]
[ . . .]
[ . . .]]
<NDArray 3x3 @cpu()>

这就是我们今天的数据操作的教程了，希望大家能够亲自上手试一试，才会有好的效果。