MXNet：nn.Activation 对比 nd.relu？

Question

我是 MXNet 的新手（我在 Python3 中使用它）

他们的教程系列鼓励您定义自己的 gluon blocks。

所以假设这是你的块（一个常见的卷积结构）：

class CNN1D(mx.gluon.Block):
    def __init__(self, **kwargs):
        super(CNN1D, self).__init__(**kwargs)
        with self.name_scope():
            self.cnn = mx.gluon.nn.Conv1D(10, 1)
            self.bn = mx.gluon.nn.BatchNorm()
            self.ramp = mx.gluon.nn.Activation(activation='relu')

    def forward(self, x):
        x = mx.nd.relu(self.cnn(x))
        x = mx.nd.relu(self.bn(x))
        x = mx.nd.relu(self.ramp(x))
        return x

这是他们示例结构的镜像。 mx.nd.relu 与 mx.gluon.nn.Activation 有什么区别？

应该是

x = self.ramp(x)

而不是

x = mx.nd.relu(self.ramp(x))

Answer 1

看来

mx.gluon.nn.Activation(activation=<act>)

是一个包装器，用于从 NDArray 模块调用大量底层激活。

因此 - 原则上 - 在前向定义中是否使用并不重要

x = self.ramp(x)

或

x = mx.nd.relu(x)

或

x = mx.nd.relu(self.ramp(x))

因为 relu 只是取最大值 0 和传递的值（因此除了运行时持续时间略有增加之外，多个应用程序不会比单个调用影响值更多）。

因此在这种情况下它并不重要。当然，与其他激活函数叠加多个调用可能会产生影响。

在 MXNets 文档中，他们在定义 gluon.Block 时在前向定义中使用 nd.relu。这可能比使用 mx.gluon.nn.Activation(activation='relu') 带来的开销略少。

从风格上讲，gluon 模块意味着高级抽象。因此我认为在定义块时应该使用 ramp = mx.gluon.nn.Activation(activation=<act>) 而不是 nd.<act>(x)，然后在前向定义中调用 self.ramp(x)。

然而鉴于此时所有自定义 Block 教程/文档都坚持 relu 激活，这是否会产生持久的影响还有待观察。

一起使用 mx.gluon.nn.Activation 似乎是一种从 Gluon 模块调用 NDArray 模块激活函数的方法。

Answer 2

mx.gluon.nn.Activation wraps around mx.ndarray.Activation, see Gluon source code.

但是，当使用 Gluon 构建神经网络时，建议您使用 Gluon API 而不是随意分支使用较低级别的 MXNet API - 这可能会有问题随着 Gluon 的发展和潜在的变化（例如停止在幕后使用 mx.nd）。

MXNet：nn.Activation 对比 nd.relu？

MXNet: nn.Activation vs nd.relu?

python-3.x

mxnet