NNabla Python API 入门教程：核心组件与计算图构建-CSDN博客

本文链接：https://blog.csdn.net/gitblog_00441/article/details/148782915

NNabla Python API 入门教程：核心组件与计算图构建

前言

NNabla是索尼开发的深度学习框架，其Python API提供了灵活且高效的神经网络构建方式。本教程将深入讲解NNabla的核心组件：NdArray、Variable和Function，以及如何利用它们构建计算图。

环境准备

首先导入必要的模块：

from __future__ import print_function, absolute_import, division
import nnabla as nn
import numpy as np
import matplotlib.pyplot as plt

NdArray：多维数组容器

NdArray是NNabla中的基础数据结构，类似于NumPy的ndarray，但具有以下特点：

设备无关性：可在CPU/GPU上运行
类型无关性：支持uint8、float32等多种数据类型
惰性计算：操作延迟到数据被请求时执行

创建与操作NdArray

# 创建形状为(2,3,4)的NdArray
a = nn.NdArray((2, 3, 4))

# 查看数据（未初始化）
print(a.data)

# 使用NumPy API操作数据
a.data = np.random.randn(*a.shape)
a.data[0, :, ::2] = 0  # 切片操作

# 高效填充方法
a.fill(1)  # 全部填充为1
a.zero()   # 全部填充为0

# 从NumPy数组创建
b = nn.NdArray.from_numpy_array(np.ones(a.shape))

Variable：计算图节点

Variable是计算图中的节点，包含两个NdArray：

data：存储前向传播的值
grad：存储反向传播的梯度

创建与操作Variable

# 创建Variable
x = nn.Variable([2, 3, 4], need_grad=True)

# 访问数据和梯度
print(x.data)  # 等价于x.d
print(x.grad)  # 等价于x.g

# 从NumPy数组创建
x2 = nn.Variable.from_numpy_array(np.ones((3,)), need_grad=True)
x3 = nn.Variable.from_numpy_array(np.ones((3,)), np.zeros((3,)), need_grad=True)

Function：计算操作

Function代表计算图中的边，定义了变量间的转换关系。NNabla提供了丰富的内置函数：

import nnabla.functions as F

# 创建计算图
x = nn.Variable([2, 3, 4], need_grad=True)
sigmoid_output = F.sigmoid(x)
sum_output = F.reduce_sum(sigmoid_output)

# 执行前向传播
sum_output.forward()
print("输出值:", sum_output.d)

# 执行反向传播
x.grad.zero()
sum_output.backward()
print("梯度值:", x.g)

参数化函数

对于包含可训练参数的层，NNabla提供了参数化函数接口：

import nnabla.parametric_functions as PF

# 使用参数作用域创建带参数的层
with nn.parameter_scope("affine1"):
    c1 = PF.affine(x, 3)  # 全连接层，输出维度3

# 查看参数
params = nn.get_parameters()
print(params.keys())  # 输出: ['affine1/affine/W', 'affine1/affine/b']

实际示例：构建简单神经网络

# 输入层
x = nn.Variable([64, 784])  # 批量大小64，输入维度784

# 构建网络
with nn.parameter_scope("mlp"):
    h = PF.affine(x, 100)  # 隐藏层100个单元
    h = F.relu(h)
    y = PF.affine(h, 10)   # 输出层10个单元

# 前向传播
y.forward()

# 反向传播
y.backward()