#mxnet# 权值共享

# 前端 2024-04-03 15:25 0 10 来源：数据天堂

https://www.cnblogs.com/chenyliang/p/6847744.html

Note:后记
此权值共享非彼卷积共享。说的是layer实体间的参数共享。

Introduction

想将两幅图像”同时“经过同一模型，似乎之前有些听闻的shared model没有找到确凿的痕迹，单个构建Variable然后每层设置，对debug阶段（甚至使用阶段）来说是场噩梦。能够可行的只想到了，在set_params阶段进行指定，如果简单的将两个load的symbol进行Group，然后进行bind会提示出现多个名称。于是问题就是：如何生成同一结构内含指定符号名的symbol?

Exploration

此类非标准操作，更别指望mxnet的doc了，只有从dir()和src查起。

Change the name

首先想到的自然是改名:
本来是

a=mx.sym.Variable(‘x‘)

要改成与

a=mx.sym.Variable(‘y‘)

相同的效果。

关于名称的接口：

import mxnet as mx d=mx.sym.Variable(‘data‘) conv1_w=mx.sym.Variable(‘kw‘) conv1=mx.sym.Convolution(data=d,weight=conv1_w,kernel=(3,3),num_filter=num_filter,no_bias=True,name=‘conv1‘) conv1.name ＃‘conv1‘

How to change it

怎么改呢？看起来只有*_set_attr*靠谱些，先看看都有那些属性：

conv1.list_attr()#{‘no_bias‘: ‘True‘, ‘kernel‘: ‘(3, 3)‘, ‘num_filter‘: ‘1‘}

。。。并没有什么好结果出现，看起来还有一个接口：

conv1.attr_dict()#{‘conv1‘: {‘no_bias‘: ‘True‘, ‘kernel‘: ‘(3, 3)‘, ‘num_filter‘: ‘1‘}}

那就试试，‘conv1‘?

>>>conv1._set_attr(conv1=‘yy‘) >>>conv1.name　　 # 有戏？！赶紧看看 ‘conv1‘　　　＃　那刚才的是什么？ >>> conv1.list_attr() {‘no_bias‘: ‘True‘, ‘kernel‘: ‘(3, 3)‘, ‘conv1‘: ‘yy‘, ‘num_filter‘: ‘1‘}　　＃　呵呵，被骗了...

Check the Src

来看看名字是到哪取的（～当然是家里取的...）

# python/mxnet/symbol.py  @property def name(self): ret = ctypes.c_char_p() success = ctypes.c_int() check_call(_LIB.MXSymbolGetName( self.handle, ctypes.byref(ret), ctypes.byref(success))) if success.value != 0: return py_str(ret.value) else: return None

于是追寻MXSymbolGetName，虽然直觉告诉我很有可能不会有python接口了（很有可能是通过底层实现的名字获取），但还是得看看。

//src/c_api/c_api_symbolic.cc int MXSymbolGetName(SymbolHandle symbol, const char** out, int* success) { return NNSymbolGetAttr(symbol, "name", out, success); }

这不禁让人浮想起来。。。赶紧试试：

>>> conv1._set_attr(name=‘yy‘) >>> conv1.name ‘yy‘

被我发现了吧　:)

失败

失败的原因是，上述的操作只改变了node，但参数的名称并没有改变（可以.list_arguments()进行查看）。我当时想的是将参数名称保持相同，然后在set_params的时候就可以直接调用，然而实际调用时，会报错，提示检测出了多个相同的名称，所以此路基本封死。

从json入手

这是一个当时认为最惨的办法——每次都要先对文件进行操作（非常粗野）。但今早发现symbol中还有操作json的接口（当然说的不是save,laod之类的）:

sn_epoch_load=0 model_prefix=‘nin‘ sym1, arg_params, aux_params = mx.mod.module.load_checkpoint(model_prefix, n_epoch_load) sym=sym1.get_internals()[‘conv4_1024_output‘].__copy__() ss=sym.__getstate__()[‘handle‘] ss1=ss.replace(‘\"name\": \"‘,‘\"name\": \"sha-‘) sym2 = sym.__copy__() h={‘handle‘:ss1} sym2.__setstate__(h) >>> sym2.list_arguments() [‘sha-data‘, ‘sha-conv1_weight‘, ‘sha-conv1_bias‘, ‘sha-cccp1_weight‘, ‘sha-cccp1_bias‘, ‘sha-cccp2_weight‘, ‘sha-cccp2_bias‘, ‘sha-conv2_weight‘, ‘sha-conv2_bias‘, ‘sha-cccp3_weight‘, ‘sha-cccp3_bias‘, ‘sha-cccp4_weight‘, ‘sha-cccp4_bias‘, ‘sha-conv3_weight‘, ‘sha-conv3_bias‘, ‘sha-cccp5_weight‘, ‘sha-cccp5_bias‘, ‘sha-cccp6_weight‘, ‘sha-cccp6_bias‘, ‘sha-conv4_1024_weight‘, ‘sha-conv4_1024_bias‘] >>> sym2.attr_dict() {‘sha-cccp3‘: {‘no_bias‘: ‘False‘, ‘kernel‘: ‘(1,1)‘, ‘num_group‘: ‘1‘, ‘dilate‘: ‘(1,1)‘, ‘num_filter‘: ‘256‘, ‘stride‘: ‘(1,1)‘, ‘cudnn_off‘: ‘False‘, ‘pad‘: ‘(0,0)‘, ‘workspace‘: ‘1024‘, ‘cudnn_tune‘: ‘off‘}, ‘sha-cccp2‘: {‘no_bias‘: ‘False‘, ‘kernel‘: ‘(1,1)‘, ‘num_group‘: ‘1‘, ‘dilate‘: ‘(1,1)‘, ‘num_filter‘: ‘96‘, ‘stride‘: ‘(1,1)‘, ‘cudnn_off‘: ‘False‘, ‘pad‘: ‘(0,0)‘, ‘workspace‘: ‘1024‘, ‘cudnn_tune‘: ‘off‘}, ‘sha-drop‘: {‘p‘: ‘0.5‘}, ‘sha-conv2‘: {‘no_bias‘: ‘False‘, ‘kernel‘: ‘(5,5)‘, ‘num_group‘: ‘1‘, ‘dilate‘: ‘(1,1)‘, ‘num_filter‘: ‘256‘, ‘stri # 示意一下就可

这样看上去问题被解决了。

Solution

于是我们的答案就是：

import mxnet as mx M,N=3,3 num_filter=1 kernel=mx.nd.array([ [1,2,3],[1,2,3],[1,2,3] ]) d=mx.sym.Variable(‘data‘) conv1=mx.sym.Convolution(data=d,kernel=(3,3),num_filter=num_filter,no_bias=True,name=‘conv1‘) loss=mx.sym.MakeLoss(data=conv1) bch_kernel=kernel.reshape((1,1,M,N)) arg_params={‘conv1_weight‘: bch_kernel} def shareParams(sym,params): sym1 = sym.__copy__() new_params= {} ss=sym1.__getstate__()[‘handle‘] ss1=ss.replace(‘\"name\": \"‘,‘\"name\": \"sha-‘) h={‘handle‘:ss1} sym1.__setstate__(h) for i in params: new_params[‘sha-‘+i] = params[i] new_params[i] = params[i] return mx.sym.Group([sym,sym1]),new_params sym,params = shareParams(loss,arg_params) mod=mx.mod.Module(symbol=sym,data_names=(‘data‘,‘sha-data‘,)) mod.bind(data_shapes=[ (‘data‘,[1,1,M,N]), (‘sha-data‘,[1,1,M,N]),]) mod.init_params() mod.set_params(arg_params=params, aux_params=[],allow_missing=True) mod.init_optimizer() mod.forward(mx.io.DataBatch([bch_kernel,bch_kernel],[])) mod.get_outputs()[0].asnumpy() #array([[[[ 42.]]]], dtype=float32) mod.get_outputs()[1].asnumpy() #array([[[[ 42.]]]], dtype=float32) mod.backward() mod.update() mod.forward(mx.io.DataBatch([bch_kernel,bch_kernel],[])) mod.get_outputs()[0].asnumpy() #array([[[[ 41.57999802]]]], dtype=float32) mod.get_outputs()[1].asnumpy() #array([[[[ 41.57999802]]]], dtype=float32)