首先看下metric继承类class MAE_zz(mx.metric.EvalMetric)代码：
class MAE_zz(mx.metric.EvalMetric):
def __init__(self, name = None):
self.name = "mae"
super(MAE_zz, self).__init__('mae') # 调用其父类，初始化父类的所有数据成员，并将父类名字命名为“mae”
def reset(self): # 初始化总数（batch_size*num_task）和准确率
"""Resets the internal evaluation result to initial state."""
self.num_inst = [0]*3 # [batch_size/num(ctx), b../n.., ...]
self.sum_metric = [0.0]*3 # 每个任务（网络模型最后的输出层mx.symbol.Group）的准确率
def update(self, labels, preds): # 每一个batch更新metric,便于mae的输出，不影响网络的训练
"""Updates the internal evaluation result."""
for i in range(len(labels)): # i代表每个任务
pred_label = mx.nd.argmax_channel(preds[i]).asnumpy().astype('int32') # 得到pred_label（label的预测值，shape=batch_size/ctx）；preds[i]代表第i个任务的预测值（shape=batch_size/ctx乘以第i个任务的分类个数）。
label = labels[i].asnumpy().astype('int32') # 得到label（真实label）；labels为多个任务的真实label。
mx.metric.check_label_shapes(label, pred_label) # 检查pred_label和label的shape是否一致，不一致则raise ValueError
self.sum_metric[i] += (pred_label.flat == label.flat).sum() # 计算一个batch里，每i个任务下的预测正确数
self.num_inst[i] += len(pred_label.flat) # batch_size * len(i)
def get(self): # 得到每个batch下所有ctx的准确率
"""Gets the current evaluation result.
"""
if self.num_inst == 0:
return self.name, float('nan')
else:
return zip(*(('%s-task%d' % (self.name, i), float('nan')
if self.num_inst[i] == 0
else self.sum_metric[i] / self.num_inst[i])
for i in range(3))) # 返回每个任务的准确率，并zip为mae-task[i] 和 self.sum_metric[i] / self.num_inst[i]
def get_name_value(self):
"""Returns zipped name and value pairs.
"""
name, value = self.get() # name=mae-task[i]; value=self.sum_metric[i] / self.num_inst[i]
return list(zip(name, value))
其次看下迭代器继承类class Multi_mnist_iterator(mx.io.DataIter)代码：
class Multi_mnist_iterator(mx.io.DataIter):
'''multi label mnist iterator'''
def __init__(self, data_iter):
super(Multi_mnist_iterator, self).__init__()
self.data_iter = data_iter # 初始化data_iter（DataIter迭代器的数据）
self.batch_size = self.data_iter.batch_size # 得到DataIter的batch_size
@property # 调用property装饰器的getter获取data_iter的provide_data(**见图1**)
def provide_data(self):
return self.data_iter.provide_data
@property # 调用property装饰器的getter获取data_iter的provide_label(**见图1**)
def provide_label(self):
provide_label = self.data_iter.provide_label[0]
# Different labels should be used here for actual application
return [('softmax1_label',(self.batch_size,)),
('softmax2_label',(self.batch_size,)),
('softmax3_label',(self.batch_size,))]
def hard_reset(self):
self.data_iter.hard_reset()
def reset(self):
self.data_iter.reset()
def next(self):
batch = self.data_iter.next() # 得到data_iter迭代器实例（**见图2**）
label = batch.label[0] # label.shape 为batch * num_task
data = batch.data[0] # data.shape为batch*num_task*weigh*height
label0, label1, label2 = label.T # 将label变为num_task * batch 输入给模型；以便模型分任务计算准确率。
return mx.io.DataBatch(data=[data], label=[label0, label1, label2],
pad=batch.pad, index=batch.index)
图一：data_iter 迭代器
图二：batch迭代器实例
def __init__(self, fget=None, fset=None, fdel=None, doc=None): # known special case of property.__init__
"""
property(fget=None, fset=None, fdel=None, doc=None) -> property attribute
class C(object):
@property
def x(self):
"I am the 'x' property."
return self._x
@x.setter
def x(self, value):
self._x = value
@x.deleter
def x(self):
del self._x
# (copied from class doc)
"""
pass
- 看上面代码可知,把x方法（返回x的值）变为属性只需要加上@property装饰器即可，即：C.x() => C.x；
- 此时@property本身又会创建另外一个装饰器@x.setter，负责把x方法变成给属性赋值，即：C.x(value) => C.x=value
- 此时@property本身又会创建另外一个装饰器@x.deleter，负责删除C中的元素，即：del C.x。
- 此3种属性对应于property的3种方法getter,setter 和 deleter 。