最近工作要开始用到MXnet，然而MXnet的文档写的实在是.....所以在这记录点东西，方便自己，也方便大家。
我觉得搞清楚一个框架怎么使用，第一步就是用它来训练自己的数据，这是个很关键的一步。
一、MXnet数据预处理
整个数据预处理的代码都集成在了toosl/im2rec.py中了，这个首先要造出一个list文件，lst文件有三列，分别是index label 图片路径。如下图所示：
我这个label是瞎填的，所以都是0。另外最新的MXnet上面的im2rec是有问题的，它生成的list所有的index都是0，不过据说这个index没什么用.....但我还是改了一下。把yield生成器换成直接append即可。
执行的命令如下：
sudo python im2rec.py --list=True /home/erya/dhc/result/try /home/erya/dhc/result/ --recursive=True --shuffle=true --train-ratio=0.8
每个参数的意义在代码内部都可以查到，简单说一下这里用到的：--list=True说明这次的目的是make list，后面紧跟的是生成的list的名字的前缀，我这里是加了路径，然后是图片所在文件夹的路径，recursive是是否迭代的进入文件夹读取图片，--train-ratio则表示train和val在数据集中的比例。
执行上面的命令后，会得到三个文件：
然后再执行下面的命令生成最后的rec文件：
sudo python im2rec.py /home/erya/dhc/result/try_val.lst /home/erya/dhc/result --quality=100
以及，sudo python im2rec.py /home/erya/dhc/result/try_train.lst /home/erya/dhc/result --quality=100
来生成相应的lst文件的rec文件，参数意义太简单就不说了..看着就明白，result是我存放图片的目录。
这样最终就完成了数据的预处理，简单的说，就是先生成lst文件，这个其实完全可以自己做，而且后期我做segmentation的时候，label就是图片了..
二、非常简单的小demo
先上代码：
1 import mxnet as mx 2 import logging 3 import numpy as np 4 5 logger = logging.getLogger() 6 logger.setLevel(logging.DEBUG)#暂时不需要管的log 7 def ConvFactory(data, num_filter, kernel, stride=(1,1), pad=(0, 0), act_type="relu"): 8 conv = mx.symbol.Convolution(data=data, workspace=256, 9 num_filter=num_filter, kernel=kernel, stride=stride, pad=pad) 10 return conv #我把这个删除到只有一个卷积的操作 11 def DownsampleFactory(data, ch_3x3): 12 # conv 3x3 13 conv = ConvFactory(data=data, kernel=(3, 3), stride=(2, 2), num_filter=ch_3x3, pad=(1, 1)) 14 # pool 15 pool = mx.symbol.Pooling(data=data, kernel=(3, 3), stride=(2, 2), pool_type='max') 16 # concat 17 concat = mx.symbol.Concat(*[conv, pool]) 18 return concat 19 def SimpleFactory(data, ch_1x1, ch_3x3): 20 # 1x1 21 conv1x1 = ConvFactory(data=data, kernel=(1, 1), pad=(0, 0), num_filter=ch_1x1) 22 # 3x3 23 conv3x3 = ConvFactory(data=data, kernel=(3, 3), pad=(1, 1), num_filter=ch_3x3) 24 #concat 25 concat = mx.symbol.Concat(*[conv1x1, conv3x3]) 26 return concat 27 if __name__ == "__main__": 28 batch_size = 1 29 train_dataiter = mx.io.ImageRecordIter( 30 shuffle=True, 31 path_imgrec="/home/erya/dhc/result/try_train.rec", 32 rand_crop=True, 33 rand_mirror=True, 34 data_shape=(3,28,28), 35 batch_size=batch_size, 36 preprocess_threads=1)#这里是使用我们之前的创造的数据，简单的说就是要自己写一个iter，然后把相应的参数填进去。 37 test_dataiter = mx.io.ImageRecordIter( 38 path_imgrec="/home/erya/dhc/result/try_val.rec", 39 rand_crop=False, 40 rand_mirror=False, 41 data_shape=(3,28,28), 42 batch_size=batch_size, 43 round_batch=False, 44 preprocess_threads=1)#同理 45 data = mx.symbol.Variable(name="data") 46 conv1 = ConvFactory(data=data, kernel=(3,3), pad=(1,1), num_filter=96, act_type="relu") 47 in3a = SimpleFactory(conv1, 32, 32) 48 fc = mx.symbol.FullyConnected(data=in3a, num_hidden=10) 49 softmax = mx.symbol.SoftmaxOutput(name='softmax',data=fc)#上面就是定义了一个巨巨巨简单的结构 50 # For demo purpose, this model only train 1 epoch 51 # We will use the first GPU to do training 52 num_epoch = 1 53 model = mx.model.FeedForward(ctx=mx.gpu(), symbol=softmax, num_epoch=num_epoch, 54 learning_rate=0.05, momentum=0.9, wd=0.00001) #将整个model训练的架构定下来了，类似于caffe里面solver所做的事情。 55 56 # we can add learning rate scheduler to the model 57 # model = mx.model.FeedForward(ctx=mx.gpu(), symbol=softmax, num_epoch=num_epoch, 58 # learning_rate=0.05, momentum=0.9, wd=0.00001, 59 # lr_scheduler=mx.misc.FactorScheduler(2)) 60 model.fit(X=train_dataiter, 61 eval_data=test_dataiter, 62 eval_metric="accuracy", 63 batch_end_callback=mx.callback.Speedometer(batch_size))#开跑数据。