继承CustomOp
- 定义操作符，重写前向后向方法，此时可以通过
_init__方法传递需要用到的参数
class LossLayer(mxnet.operator.CustomOp):
def __init__(self, *args, **kwargs):
super(LossLayer, self).__init__()
# recipe some arguments for forward or backward calculation def forward(self, is_train, req, in_data, out_data, aux):
"""
in_data是一个列表，其中tensor的顺序和对应属性类中定义的list_arguments()参数一一对应
out_data输出列表
is_train 是否是训练过程
req [Null, write or inplace, add]指如何处理对应的复制操作
"""
pass
# 函数最后一般调用父类的self.assign(dst, req[0], src)进行赋值操作
# 但对于dst或者src是list类型的时候要调用多次assign函数处理，此时也可以直接自己赋值
# dst[:]=src def backward(self, req, out_grad, in_data, out_data, in_grad, aux):
"""
out_grad 上一层反传的误差
in_data 输入数据，list
out_data 输出的数据，由forward方法确定， 其类型大小和out_grad一致
in_grad 需要计算的回传误差
"""
pass
# 其操作值得复制操作类似于forward方法
- 定义好操作符之后还需要定义其对应的属性类，并将其注册到operator中
@mx.operator.register('losslayer') # 注意这里注册的名字将是后面调用该操作符使用的类型名- 重写对应的属性类
class LossLayerProp(mx.operator.CustomOpProp): # 这里的名字并非必须对应操作类名称，被@修饰符修饰
def __init__(self, params):
super(LossLayerProp,self).__init__(need_top_grad=False)
# 最后的损失层不需要接收上层的误差，则将need_top_grad设置为False
# 可以传递一些参数用以传递给操作类 def list_arguments(self):
# 这个方法非常重要，定义了该操作符的输入参数，当绑定对应操作符时，输入量由该方法指定
return ['data1','data2','data3','label'] def list_outputs(self):
# 同样返回的是列表，表示输出的量,这个其实是输出变量的后缀suffix
# 若返回的是['output1','output2']则输出为 操作类的名称name加上对应后缀的量[name_output1, name_output2]
return ['output'] def infer_shape(self, in_shape):
# 给定in_shape,显示每一个变量的对应大小，以判断大小是否一致
return [],[],[]
# 返回的必须是3个列表，即使列表为空，分别对应着输入参数的大小、输出数据的大小、aux参数的大小，一般最后一个为空 def infer_type(self, in_type):
# 该方法类似于infer_shape，推断数据类型 def create_operator(self, ctx, shapes, dtypes):
# 该方法真正的创建操作类对象，默认调用
return LossLayer()
- 自定义操作符的使用
data1=mx.sym.Variable('data1')
data2=mx.sym.Variable('data2')
data3=mx.sym.Variable('data3')
label = mx.sym.Variable('label')
# 下面这句调用很重要，显示指定输入的symbol，然后指定自定义操作符类型
net = mx.sym.Custom(data1=data1, data2=data2, data3=data3, label=label, name='net', op_type='losslayer')
# 输出操作符的相关属性
print(net.infer_shape(data1=(4,1,10,10), data2=(4,1,10,10),data3=(4,1,10,10) label=(4,)))
# data1=(4,1,10,10)表示对应symbol的shape
print(net.infer_type(data1=np.int, data2=np.int, data3=np.int, label=np.int))
# data1=np.int 标识对应symbol的数据类型
print(net.list_arguments()) # 变量参数
print(net.list_outputs()) #输出的变量参数
ex = net.simple_bind(ctx=mx.gpu(0), data1=(4,1,10,10), data2=(4,1,10,10),data3=(4,1,10,10) label=(4,)) # simple_bind只需要指定输入参数的大小
ex.forward(data1=data1, data2=data2, label=label))
print(ex.outputs[0])- 上面是没有参数的层，创建带有参数的中间层和上面类似， 只是修改下面部分代码
def list_arguments(self):
return ['data','weight', 'bias'] def infer_shape(self, in_shape):
data_shape = in_shape[0]
weight_shape = ...
bias_shape = ...
output_shape = ...
return [data_shape, weight_shape, bias_shape], [output_shape], []
调用方式：
net = mx.symbol.Custom(data, name='newLayer', op_type='myLayer')
包含参数的layer在定义backward方法时要注意梯度的更新方式，即req的选择
NOTE：
有参数的操作符中，一般使用‘weight’和‘bias’作为参数， 该参数会最为后缀加到 opname_weight， opname_bias中，因为mxnet默认的参数初始化方法只认‘weight’, 'bias', 'gamma', 'beta'四个量， 对于自己新定义的量，比如weight2， 需要指定初始化方法
Default initialization is now limited to "weight", "bias", "gamma" (1.0), and "beta" (0.0).
Please use mx.sym.Variable(init=mx.init.*) to set initialization pattern