首先我给出一个实例来引入module模块。
训练一个神经网络包含以下几个步骤：1）输入训练数据；2）初始化神经网络的模型参数；3）前向传播、通过梯度更新参数来执行后向传播；4）执行模型检测（model checkpoints）等等。训练好神经网络之后，预测推理过程的步骤包括以上的大部分，除了不需要执行后向传播。 Mxnet框架将神经网络训练和推理的常用步骤模块化，打包在Module package，并给出相应的接口API方便大家调用。Module提供了执行预定义网络的高级（high-level ）接口和中级（intermediate-level）接口。两种接口可以互换使用。
用Mxnet的Module写一个多层感知机MLP来识别26个英文字母（Letter Recognition）。这种任务的整体流程是：
代码:
输出：
使用中级接口，方便调试和改动：
例子结束，下来来说明mxnet的module(简称mod)API。module是mxnet的“计算部件”，主要功能是接受Symbol定义好的网络计算图（symbol是创建mod时的一个参数），进而执行神经网络的前向传播运算、后向传播运算、更新参数，推理等计算。一个module有以下几个状态。
1、初始状态（Initial state:）：内存尚未分配，因此模块尚未准备好进行计算。
2.bind：输入、输出和参数的形状已知，内存已分配，模块已准备好进行计算。
3、参数初始化(init_parameters)：对于带参数的模块，在初始化参数之前进行计算可能会导致未定义的输出。
4、安装优化器（Optimizer）：优化器可以安装到模块上。之后，可以在计算梯度（向前向后）之后，根据优化器更新模块的参数。
module模块在bind之前，初始化是必须指明的信息包含：
1、data_names: list of type string indicating the names of the required input data.
2、output_names: list of type string indicating the names of the required outputs.
参考：
http://mxnet.incubator.apache.org/versions/master/api/python/module/module.html
