人工智能的轮子Gluon

程序员的快乐在于能够造出一个人人都能用的轮子，在自己造不出轮子之前，我们先学习下别人家的轮子。

上一次我们简要介绍了MXNet这个工具(原文)，相比其它深度学习框架，MXNet具有极佳的性能。这次的重点我们再来说一下最近MXNet在推广的Gluon包。

一

Gluon好在哪上回说到，MXNet最大的特点是通过命令式编程与申明式编程结合的混合编程，使得MXNet兼具灵活性与非常高的执行性能，这也是MXNet名字的由来（Mixed-Net)。此点主要是通过NDArray和Symbol的结合来实现，对于这两个对象，它们有非常相似的API，通常同一个API连参数顺序都一样，见下图。

所以当想要调适代码，方便地打印数值时就写NDArray。等到模型ok，要上线部署提升性能时，就把之前的代码用Symbol重写一遍。不过，此时还是有点美中不足，就是两次代码一样，只是调用的对象不同（NDArray还是Symbol），却要手动重写代码。聪明的你自然就会想，这个工作很重复(boring)啊。对于程序员来说，重复自己简直不可忍受。那么是否有办法让程序自动的完成这个步骤呢，我设一个开关，需要调试时候点一下，数值刷刷的打印，不想调试关掉它，性能棒棒的。恩，这时Gluon就诞生了，而我们刚才说到的那个开关就是Block里面的hybridize（）方法，这是Gluon最大的特点。当然，除此之外，Gluon还采众家所长，从PyTorch、TensorFlow中借鉴了很多优秀的方案，此处先按住不表。

二

Gluon代码结构

接下来，我们就扒开Gluon的代码，看看它的里子。下图是Gluon 这个包的代码层次。

可以看到，它的核心文件及功能如下：

block.py:网络的基础单元，类比盖房子中所用的砖块

loss.py:不同损失函数的实现

parameter.py: 模型参数的处理

trainer.py:对优化器和参数学习流程的封装

utils.py: 工具包

data: 数据处理包

model_zoo: 方便的加载训练好的预训练模型，降低模型拟合的难度

nn: 预先提供的神经网络层，如卷积，池化操作等都在这里面

rnn: 循环神经网络的操作子

contrib: 其它一些开源社区贡献的尚未很好合入代码的功能

从文件数来看，Gluon代码及其精简，就算把各个文件夹展开，全部文件加在一起也不超过30个，但是却可以提供出非常强大的算法能力。由此可见，有时代码并非越多越好，恰恰相反，代码越少越能体现程序员之功力。

三

HybridBlock类

说完了代码结构，我们终于走到了关键细节。工(lian)程(dan)师都说构建深度学习算法就像盖(da)房(ji)子(mu)，那么这里面最基础的单元一砖一瓦是啥子呢。恩，就HybridBlock无疑了。首先，让我们一起看下与Block相关的类代码关系图：

从图中可见，HybridBlock继承自Block，并且添加了hybrid_forward()方法。请注意，这个方法实际上是一个接口，其中的逻辑留给实际继承它的类自己实现。这样，我们通过继承HybridBlock这个类，就可以很容易的添加自己想要的各种网(sao)络(cao)层(zuo)了。

同时，你可能留意到了hybrid_forward()方法的参数，第一个是F，第二个是x。对于x，自不必说，就是上一层传进来的数据或者symbol占位符。那么F呢，个人的理解，此处的F实际上就是传入的Symbol或者NDArray对象的句柄。这样，hybrid_forward()就可以自动选择是调用哪个对象所对应的API方法了。

四

总结

最后，推荐一个很好的算(lian)法(dan)学(ru)习(men)地址：https://zh.gluon.ai/，里面有关于深度学习的介绍，并有MXNet动手解决各类机器学习任务的教程，是MXNet官方团队所写，良心之作，干货多多，非常值得细细阅读。