Symbol API : https://mxnet.incubator.apache.org/api/python/symbol/symbol.html
Symbolic Configuration and Execution in Pictures (一些symbol操作的图示)：https://mxnet.incubator.apache.org/versions/master/api/python/symbol_in_pictures/symbol_in_pictures.html
Symbol - Neural network graphs（symbol入门教程）: https://mxnet.incubator.apache.org/versions/master/tutorials/basic/symbol.html
用symbol定义网络结构图，执行图的步骤
1、用symbol的一些符号，操作构建网络结构图
2、用bind函数将NDArrays与argument nodes(用symbol生成的一些中间变量节点，或输出变量节点)进行绑定，生成Executor。其实就是将Executor中用到的变量进行赋值。
a = mx.sym.Variable('a')
b = mx.sym.Variable('b')
c = 2*a+b
e = c.bind(ctx=mx.cpu(), args={'a':mx.nd.array([1,2]]), 'b':mx.nd.array([2,3])})
其中，c就是argument nodes，e是生成的Executor。然后执行forward运算，就可以获得计算图的输出。
e.forward()
e.outputs[0] # 访问计算图的输出值，存放在Executor的outputs变量中
绑定多个输出
mx.sym.Group : Creates a symbol that contains a collection of other symbols, grouped together.
G = mx.sym.Group([E,C])
关于bind函数
We first declare the computation and then bind to the data to run. This function returns an executor which provides method forward() method for evaluation and a outputs() method to get all the results.
bind(ctx, args, args_grad=None, grad_req='write', aux_states=None, group2ctx=None, shared_exec=None)
变量说明：
ctx: 生成的executor需要在哪里执行。ctx=mx.cpu()或ctx=mx.gpu()。
args：list of NDArray or dict of str to NDArray，给之前定义的symbol赋值。args可以是NDArray的list，
但是必须和list_arguments()对应。c=a+b，c.list_arguments() = ['a','b']。或者是字符串到NDArray的字典。
args={'a' : mx.nd.ones([2,3]), 'b' : mx.nd.ones([2,3])}，任何情况下，必须提供所有symbol的值。
args_grad：使用方法同args，但是当提供字典时，只需要提供需要计算梯度的键值，用来记录反向传播中变量的梯度值（可以初始化为0）。
grad_req ：指定我们如何更新梯度值到args_grad中，有三种方式，'write'表示每次梯度被更新到args_grad NDArray中，'add'表示每次梯度被增加到制定的args_grad，‘null’表示梯度不会被计算。aux_states：指定symbol的辅助状态（前提是输出的list_auxiliary_states() 不为空）。
**返回值**：executor