module或简写为mod，提供一个用于执行Symbol算的中高级接口，可理解为module是执行Symbol定义好的程序的机器。
module.Module接受Symbol作为输入：
data = mx.sym.Variable('data') fc1 = mx.sym.FullyConnected(data, name='fc1', num_hidden=128) act1 = mx.sym.Activation(fc1, name='relu1', act_type="relu") fc2 = mx.sym.FullyConnected(act1, name='fc2', num_hidden=10) out = mx.sym.SoftmaxOutput(fc2, name = 'softmax') mod = mx.mod.Module(out) # create a module by given a Symbol 根据symbol建立module
关于module的一套训练流程见这里。本节的目的是选择一些常用module API，包括一些重要的属性和方法做个分析。
module包提供了以下几个module：最主要的还是第二个。
显然BaseModule是其他所有module的基类， 基类提供以下方法：
1. 初始化空间：
2. 参数操作：
3. 训练预测
4. 前反向传播
5. 参数更新
6. 输入输出
7. 其他
以上这些方法是所有类共有的，而Module类自己还有下面的内置方法：
这么多方法选择一些常用重要的方法进行介绍。
module表示计算组件。可把module看作是一台计算机器。模块可以执行向前和向后传递并更新模型中的参数。
一个module有几个状态：
- 初始状态-initial state：内存尚未分配，因此模块尚未准备好进行计算。
- 绑定-binded：输入、输出和参数的形状都是已知的，内存已分配，模块已准备好进行计算。
- 参数已初始化：对于具有参数的模块，在初始化参数之前执行计算可能会导致未定义的输出。
- 优化器已安装：优化器可以安装到module。在此之后，在计算梯度（前向后）之后，可以根据优化器更新模块的参数。
before binding：为了使module产生交互，它必须能够在初始状态（bind之前）已知以下信息：
- 数据名称data_names：表示所需输入数据名称的字符串类型列表。
- 输出名称output_names：表示所需输出名称的字符串类型列表。
after binding：绑定后，module应能提供以下更丰富的信息：
- 状态信息：
binded:bool，指示是否已分配计算所需的内存缓冲区。
for_training：模块是否绑定进行训练。
params_initialized:bool，指示此模块的参数是否已初始化。
optimizer_initialized:bool，指示是否定义并初始化了优化器。
inputs_need_grad:bool，指示是否需要相输入数据的梯度。在实现模块组合时可能很有用。
- 输入输出信息：
data_shapes：（name、shape）的列表。理论上，由于内存是分配的，可以直接提供数据数组。但在数据并行的情况下，数据数组的形状可能与从外部世界看的不同。
label_shapes：（name、shape）的列表。如果模块不需要标签（如顶部不包含loss函数），或者模块未绑定以进行训练，则此值可能为[]。
outpu_shapes：（name、shape）的列表。
- 参数信息：
get_params（）：返回一个（arg_params，aux_params）的元组。每一个都是一个name到NDArray的映射。由于NDArray总是使用CPU，用于计算的实际参数可能存在于其他设备（GPU）上，此函数将检索最新参数。
set_params（arg_params，aux_params）：为执行计算的设备分配参数。
init_params（…）：一个更灵活的接口来分配或初始化参数。
- setup：
bind（）：为计算准备环境。
init_optimizer（）：安装用于参数更新的优化器。
prepare（）：根据当前数据批准备模块。
- 计算：
forward（data_batch）：前向操作。
backward（out_grads=None）：反向操作。
update（）：根据安装的优化器更新参数。
get_outputs（）：获取上一个前向操作的输出。
get_input_grads（）：获取与上一个后向操作中计算的输入的梯度。
update_metric（metric，labels，pre_sliced=False）：更新之前前向传播结果的性能度量，就是metric。
当这些中间层API被正确实现时，以下高级API将自动可用于模块：
- fit：在数据集上训练模块参数。
- predict：在数据集上运行预测并收集输出。
- score：在数据集上运行预测并评估性能
1. score(eval_data, eval_metric, num_batch=None, batch_end_callback=None, score_end_callback=None, reset=True, epoch=0, sparse_row_id_fn=None)[source]
这个方法用于预测eval_data的结果，并根据eval_metric提供的指标进行评估
- eval_data（DataIte类型）：要运行预测的评估数据。
- eval_metric（EvalMetric或EvalMetrics列表）：要使用的评估度量。
- num_batch（int）：要运行的批数。默认为“无”，表示在DataIter完成之前运行。
- batch_end_callback：（函数）也可以是函数列表。
- reset（bool）：默认为True。指示在开始计算之前是否应重置计算数据。
- epoch（int）：默认为0。为了兼容性，这将传递给回调（如果有的话）。在训练期间，这将与训练epoch数相对应。
- sparse_row_id_fn（回调函数）：函数将数据批作为输入并返回str->NDArray的dict。结果dict用于从kvstore中提取行稀疏参数，其中str键是参数的名称，值是要提取的参数的行id。
一个例子：
# An example of using score for prediction. # Evaluate accuracy on val_dataiter metric = mx.metric.Accuracy() mod.score(val_dataiter, metric) mod.score(val_dataiter, ['mse', 'acc'])
2. predict(eval_data, num_batch=None, merge_batches=True, reset=True, always_output_list=False, sparse_row_id_fn=None)
这方法主要是得到eval_data的测试结果。
# An example of using `predict` for prediction. # Predict on the first 10 batches of val_dataiter mod.predict(eval_data=val_dataiter, num_batch=10)
3. fit(train_data, eval_data=None, eval_metric='acc', epoch_end_callback=None, batch_end_callback=None, kvstore='local', optimizer='sgd', optimizer_params=(('learning_rate', 0.01), ), eval_end_callback=None, eval_batch_end_callback=None, initializer=, arg_params=None, aux_params=None, allow_missing=False, force_rebind=False, force_init=False, begin_epoch=0, num_epoch=None, validation_metric=None, monitor=None, sparse_row_id_fn=None)[source]
这个是最重要的方法，用于训练网络。
- train_data（DataIter型）：训练集数据迭代器。
- eval_data（DataIter型）：如果不是None，则将用作验证集，并评估每个epoch之后的性能。
- eval_metric（str或EvalMetric）：默认为“准确率”。用于在训练期间显示的性能度量。其他可能的预定义度量是：“ce”（交叉熵）、“f1”、“mae”、“mse”、“rmse”、“top_k_accurity”。
- epoch_end_callback（函数或函数列表）：将使用当前epoch、symbol、arg_params和aux_params调用每个回调。
- batch_end_callback（函数或函数列表）：将使用BatchEndParam调用每个回调。
- kvstore（str或kvstore）：默认为“local”。
- optimizer（str或optimizer）：默认为“sgd”。
- optimizer_params（dict）–默认为（（“learninf_rate”，0.01），）。优化器构造函数的参数。
- eval_end_callback（函数或函数列表）：这些函数将在每次完整评估结束时调用，度量值覆盖整个eval集。
- eval_batch_end_callback（函数或函数列表）：在评估期间，将在每个batch之后调用这些函数。
- initializer（initializer）：调用初始值设定项以在尚未初始化模块参数时对其进行初始化。
- arg_params（dict）–默认值为None，如果不是None，则应该是来自经过训练的模型的现有参数或从checkpoint（以前保存的模型）加载的参数。在这种情况下，这里的值将用于初始化模块参数，除非它们已经由用户通过调用init_params或fit进行了初始化。arg_params的优先级高于初始值设定项。
- aux_params（dict）-默认为无。类似于arg_params，除了用于辅助状态。
- allow_missing（bool）-默认为False。指示当arg_params和aux_params不是None时是否允许缺少参数。如果这是真的，那么丢失的参数将通过初始化器初始化。
- force_rebind（bool）-默认为False。是否强制重新绑定已绑定的执行器。
- force_init（bool）-默认为False。指示是否强制初始化，即使参数已初始化。
- begin_epoch（int）-默认为0。通常，如果从epoch N上一个训练阶段保存的checkpoint恢复，则该值应为N+1。
- num_epoch（int）–训练的epoch数。
- sparse_row_id_fn（回调函数）–函数将数据批作为输入并返回str->NDArray的dict。结果dict用于从kvstore中提取行稀疏参数，其中str键是参数的名称，值是要提取的参数的行id。
# An example of using fit for training. # Assume training dataIter and validation dataIter are ready # Assume loading a previously checkpointed model sym, arg_params, aux_params = mx.model.load_checkpoint(model_prefix, 3) mod.fit(train_data=train_dataiter, eval_data=val_dataiter, optimizer='sgd', optimizer_params={'learning_rate':0.01, 'momentum': 0.9}, arg_params=arg_params, aux_params=aux_params, eval_metric='acc', num_epoch=10, begin_epoch=3)
4. get_params（）
返回一对字典。类型分别是arg_params和aux_params。每个字典都是从参数映射到NDArray：
# An example of getting module parameters. print mod.get_params()
5. init_params和set_params
init_params(initializer=, arg_params=None, aux_params=None, allow_missing=False, force_init=False, allow_extra=False)
set_params(arg_params, aux_params, allow_missing=False, force_init=True, allow_extra=False)[source]
前者初始化参数和辅助参数的状态，后者给参数和辅助参数赋值。
# An example of initializing module parameters. mod.init_params() # An example of setting module parameters. sym, arg_params, aux_params = mx.model.load_checkpoint(model_prefix, n_epoch_load) mod.set_params(arg_params=arg_params, aux_params=aux_params)
6. load_params和save_params
载入和保存参数
# An example of saving module parameters. mod.save_params('myfile') # An example of loading module parameters. mod.load_params('myfile')
7. forawrd（data_batch， is_train=None）和backwar（out_grads=None）
data_batch是DataBatch类型。
import mxnet as mx
from collections import namedtuple
Batch = namedtuple('Batch', ['data'])
data = mx.sym.Variable('data')
out = data * 2
mod = mx.mod.Module(symbol=out, label_names=None)
mod.bind(data_shapes=[('data', (1, 10))])
mod.init_params()
data1 = [mx.nd.ones((1, 10))]
mod.forward(Batch(data1))
print mod.get_outputs()[0].asnumpy()
# Forward with data batch of different shape
data2 = [mx.nd.ones((3, 5))]
mod.forward(Batch(data2))
print mod.get_outputs()[0].asnumpy()
# An example of backward computation. mod.backward() print mod.get_input_grads()[0].asnumpy() ]
上面在前向和反向传播时分别用到了get_outputs（merge_multi_context=True）和get_input_grads（merge_multi_context=True）两个函数：
前者得到前向计算后的输出，后者得到反向传播后关于输入的梯度。
8. init_optimizer(kvstore='local', optimizer='sgd', optimizer_params=(('learning_rate', 0.01), ), force_init=False)
指定了这个还需指定fit里面那个optimizer吗？？？
# An example of initializing optimizer. mod.init_optimizer(optimizer='sgd', optimizer_params=(('learning_rate', 0.005),))
9. update（）和update_metric（eval_metric， labels，pre_sliced=False）
update根据已配置的优化器和上一个前向-反向批处理中计算的梯度更新参数。
# An example of updating module parameters. mod.init_optimizer(kvstore='local', optimizer='sgd', optimizer_params=(('learning_rate', 0.01), )) mod.backward() mod.update() print mod.get_params()[0]['fc3_weight'].asnumpy() ]
update_metric对上次前向计算的输出求值并累积评估metric。
# An example of updating evaluation metric. mod.forward(data_batch) mod.update_metric(metric, data_batch.label)
10. bind(data_shapes, label_shapes=None, for_training=True, inputs_need_grad=False, force_rebind=False, shared_module=None, grad_req='write')
非常重要，不用fit这个高级api的话，就需要bind来搞起训练。
# An example of binding symbols. mod.bind(data_shapes=[('data', (1, 10, 10))]) # Assume train_iter is already created. mod.bind(data_shapes=train_iter.provide_data, label_shapes=train_iter.provide_label)