原文：
www.kdnuggets.com/2018/08/mxnet-tensor-basics-simple-derivatives.html
评论
我原本打算很早之前就玩弄 MXNet，大约在 Gluon 公共发布的时候。事情变得忙碌了，我被分散了注意力。
我最近终于开始使用 MXNet。为了了解我的工作方式，我认为覆盖一些基础知识，比如张量和导数的处理，可能是一个好的开始（就像我在 这里 和 这里与 PyTorch 所做的那样）。
这不会一步步重复之前的 PyTorch 文章中的内容，所以如果你想要进一步的背景，可以查看那些文章。下面的内容应该相对简单明了。
MXNet 是一个开源神经网络框架，一个“灵活且高效的深度学习库。” Gluon 是 MXNet 的命令式高级 API，它提供了额外的灵活性和易用性。你可以把 MXNet 和 Gluon 之间的关系看作类似于 TensorFlow 和 Keras。我们在这里不会进一步介绍 Gluon，但会在未来的文章中探索它。
MXNet 的张量实现以 [ndarray](https://mxnet.apache.org/api/python/ndarray/ndarray.html) 包的形式存在。在这里，你将找到构建多维（n维）数组所需的内容，并执行一些实现神经网络所需的操作，以及 autograd 包。我们将在下面利用这个包。
ndarray（非常）基础
首先，让我们从库中导入我们需要的内容，以简化 API 调用：
import mxnet as mx
from mxnet import autograd as ag
from mxnet import nd现在，让我们在 CPU 上创建一个基本的 ndarray：
# Create CPU array
a = nd.ones((3, 2))
print(a)[[1\. 1.]
[1\. 1.]
[1\. 1.]]
<NDArray 3x2 @cpu(0)>注意，打印 ndarray 也会打印出对象的类型（再次是 NDArray），以及其大小和附加的设备（在这个例子中是 CPU）。
如果我们想用 GPU 创建一个 ndarray 对象 上下文（注意上下文是指用于在对象上执行操作的设备类型和 ID）怎么办？首先，让我们确定是否有 GPU 可供 MXNet 使用：
# Test if GPU is recognized
def gpu_device(gpu_number=0):
try:
_ = mx.nd.array([1, 2, 3], ctx=mx.gpu(gpu_number))
except mx.MXNetError:
return None
return mx.gpu(gpu_number)
gpu_device()gpu(0)这个响应表示存在一个 GPU 设备，其 ID 为 0。
让我们在这个设备上创建一个 ndarray：
# Create GPU array
b = nd.zeros((2, 2), ctx=mx.gpu(0))
print(b)[[0\. 0.]
[0\. 0.]]
<NDArray 2 x 2 @gpu(0)>这里的输出确认创建了一个大小为 2 x 2 的全零 ndarray，并且上下文为 GPU。
要获取一个返回的转置ndarray（而不仅仅是原始的转置视图）：
# Transpose
T = c.T
print(T)[[1\. 2\. 3.]
[4\. 5\. 6.]]
<NDArray 2x3 @cpu(0)>重新塑造一个ndarray为视图，而不改变原始数据：
# Reshape
r = T.reshape(3,2)
print(r)[[1\. 2.]
[3\. 4.]
[5\. 6.]]
<NDArray 3x2 @cpu(0)>一些 ndarray 信息：
# ndarray info
print('ndarray shape:', r.shape)
print('Number of dimensions:', r.ndim)
print('ndarray type:', r.dtype)ndarray shape: (3, 2)
Number of dimensions: 2
ndarray type: <class 'numpy.float32'>MXNet ndarray与 Numpy ndarray之间的转换
从 Numpy ndarrays到 MXNet ndarrays以及反向的转换很简单。
import numpy as np
# To numpy ndarray
n = c.asnumpy()
print(n)
print(type(n))[[1\. 4.]
[2\. 5.]
[3\. 6.]]
<class 'numpy.ndarray'># From numpy ndarray
a = np.array([[1, 10], [2, 20], [3, 30]])
b = nd.array(a)
print(b)
print(type(b))[[ 1\. 10.]
[ 2\. 20.]
[ 3\. 30.]]
<class 'mxnet.ndarray.ndarray.NDArray'>矩阵-矩阵乘法
这是计算矩阵-矩阵点积的方法：
# Compute dot product
t1 = nd.random.normal(-1, 1, shape=(3, 2))
t2 = nd.random.normal(-1, 1, shape=(2, 3))
t3 = nd.dot(t1, t2)
print(t3)[[1.8671514 2.0258508 1.1915313]
[9.009048 8.481084 6.7323728]
[5.0241795 4.346245 4.0459785]]
<NDArray 3x3 @cpu(0)>使用 autograd 查找和解决导数
继续使用 MXNet 的[autograd](http://mxnet.apache.org/api/python/autograd/autograd.html)包来解决导数的自动微分。
首先，我们需要一个用于计算导数的函数。随意选择这个：
要查看我们如何手动计算这个函数的一阶导数，并找到给定x值的导数函数的值，请参阅这篇文章。
出于显而易见的原因，我们必须以这样的方式在 Python 中表示我们的函数：
y = 5*x**4 + 3*x**3 + 7*x**2 + 9*x - 5现在让我们为给定的x值找到导数函数的值。我们随意使用 2：
x = nd.array([2])
x.attach_grad()
with ag.record():
y = 5*x**4 + 3*x**3 + 7*x**2 + 9*x - 5
y.backward()
x.grad一行一行地，以上代码：
-
将我们想要计算导数的值（2）定义为一个 MXNet ndarray 对象
-
使用
**attach_grad()**来为计算梯度分配空间 -
用
**ag.record()**标记的代码块包含了计算和跟踪梯度所需执行的计算 -
定义我们想要计算导数的函数
-
使用 autograd 的**backward()**来计算梯度的总和，使用链式法则
-
输出存储在x
ndarray的grad属性中的值，如下所示
tensor([ 233.])这个值 233 与我们手动计算的结果相匹配，请参见这篇文章。
这只是对 MXNet 中简单ndarray操作和导数的一个非常基础的概述。由于这些是构建神经网络的两个基本要素，这应该能让你对库的这些基本构建块有一些熟悉，并为深入研究更复杂的代码做好准备。下次我们将使用 MXNet 和 Gluon 创建一些简单的神经网络，进一步探索这些库。
要了解更多（现在！）关于 MXNet、Gluon 以及深度学习的内容，那本由这些库的开发和推广人员编写的免费书籍深度学习 - 直接真相绝对值得一看。
相关：
-
PyTorch 张量基础
-
用 PyTorch 做简单导数
-
Tensor 究竟是什么?!?
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织进行 IT 服务