模型参数的访问、初始化和共享
使用默认方式初始化它的参数，并做一次前向计算。
#导包
from mxnet import init, nd
from mxnet.gluon import nn
#实例化Sequential类
net = nn.Sequential()
#添加隐藏层
net.add(nn.Dense(256, activation='relu'))
#添加输出层
net.add(nn.Dense(10))
# 使用默认初始化方式
net.initialize()
X = nd.random.uniform(shape=(2, 20))
Y = net(X) # 前向计算
访问模型参数
对于使用Sequential类构造的神经网络，我们可以通过方括号[]来访问网络的任一层.对于Sequential实例中含模型参数的层，可以通过Block类的params属性来访问该层包含的所有参数.访问多层感知机net中隐藏层的所有参数。索引0表示隐藏层为Sequential实例最先添加的层:
in:
net[0].params, type(net[0].params)
out:
(dense2_ (
Parameter dense0_weight (shape=(256, 20), dtype=float32)
Parameter dense0_bias (shape=(256,), dtype=float32)
),
mxnet.gluon.parameter.ParameterDict)
得到了一个由参数名称映射到参数实例的字典（类型为ParameterDict类）.为了访问特定参数，既可以通过名字来访问字典里的元素，也可以直接使用它的变量名。
net[0].params['dense4_weight'], net[0].weight
(Parameter dense0_weight (shape=(256, 20), dtype=float32),
Parameter dense0_weight (shape=(256, 20), dtype=float32))
Gluon里参数类型为Parameter类，它包含参数和梯度的数值，可以分别通过data函数和grad函数来访问
#shape=(256,20),权重参数
net[0].weight.data()
权重梯度的形状和权重的形状一样。因为还没有进行反向传播计算，所以梯度的值全为(0)。
net[0].weight.grad()
NDArray 256x20 @cpu(0)
输出层偏置：
net[1].bias.data()
可以使用collect_params函数来获取net变量所有嵌套（例如通过add函数嵌套）的层所包含的所有参数。它返回的同样是一个由参数名称到参数实例的字典。
net.collect_params()
这个函数可以通过正则表达式来匹配参数名，从而筛选需要的参数。
net.collect_params('.*weight')
初始化模型参数
(MXNet)的init模块里提供了多种预设的初始化方法。
# 非首次对模型初始化需要指定force_reinit为真
net.initialize(init=init.Normal(sigma=0.01), force_reinit=True)
net[0].weight.data()[0]
使用常数来初始化权重参数。
#初始化权重参数是常数=1
net.initialize(init=init.Constant(1), force_reinit=True)
net[0].weight.data()[0]
如果只想对某个特定参数进行初始化，我们可以调用Parameter类的initialize函数
隐藏层的权重使用Xavier随机初始化方法。
net[0].weight.initialize(init=init.Xavier(), force_reinit=True)
net[0].weight.data()[0]
自定义初始化方法
需要的初始化方法并没有在init模块中提供。这时，可以实现一个Initializer类的子类，从而能够像使用其他初始化方法那样使用它
通常，我们只需要实现_init_weight这个函数，并将其传入的NDArray修改成初始化的结果
#Initializer 源码：
def _init_weight(self, name, arr):
"""Abstract method to Initialize weight."""
raise NotImplementedError("Must override it")
下面的_init_weight复写了基类的函数
#实现MyInit类，继承Initializer类
class MyInit(init.Initializer):
#复写基类函数
def _init_weight(self, name, data):
print('Init', name, data.shape)
#生成[-10,10]区间内均匀分布随机数
data[:] = nd.random.uniform(low=-10, high=10, shape=data.shape)
#如果data的绝对值大于等于5就是原数，否则就是0
data *= data.abs() >= 5
net.initialize(MyInit(), force_reinit=True)
net[0].weight.data()[0]
通过Parameter类的set_data函数来直接改写模型参数
将隐藏层参数在现有的基础上加1。
#使用set_data函数
net[0].weight.set_data(net[0].weight.data() + 1)
net[0].weight.data()[0]
共享模型参数
在有些情况下，我们希望在多个层之间共享模型参数
它在构造层的时候指定使用特定的参数。如果不同层使用同一份参数，那么它们在前向计算和反向传播时都会共享相同的参数
让模型的第二隐藏层（shared变量）和第三隐藏层共享模型参数：
#实例化Sequential
net = nn.Sequential()
#初始化一个层shared
shared = nn.Dense(8, activation='relu')
#添加层，先添加第一个层，再添加第二个层shared,添加第三个层时指定第三个层的params=shared.params
net.add(nn.Dense(8, activation='relu'),
shared,
nn.Dense(8, activation='relu', params=shared.params),
nn.Dense(10))
#初始化net参数
net.initialize()
#定义输入值
X = nd.random.uniform(shape=(2, 20))
net(X)
#比较权重参数是否相等
net[1].weight.data()[0] == net[2].weight.data()[0]