MXNET深度学习框架-04-使用gluon实现线性回归

        上一章我使用autograd和ndarray实现了一个线性回归，但那只适用于学习，想要快速开发模型最好还是使用gluon来完成。

1、数据集生成
        与上一章一样，还是随机生成一些数据：

import mxnet.ndarray as nd
import mxnet.autograd as ag
import mxnet.gluon as gn
import random

num_input=2
num_example=1000

'''---生成数据---'''
true_w=[2,-3.4]
true_b=4.2

x=nd.random_normal(shape=(num_example,num_input)) # 随机生成的数据点x(1000行2列)
y=true_w[0]*x[:,0]+true_w[1]*x[:,1]+true_b

noise=0.01*nd.random_normal(shape=y.shape)  # 按照公式写出代码
y=y+noise
# print(y.shape)
print(x[:10],y[:10]) # 打印前10组数据进行查看

2、数据读取
        现在使用gluon读取数据：

batch_size=10
dataset=gn.data.ArrayDataset(x,y)
data_iter=gn.data.DataLoader(dataset=dataset,batch_size=batch_size,shuffle=True)

        读取一个批次样本看看：

for data,label in data_iter: # 读取第一个batch size看看
    print("batch size：",data,label)
    break

结果：

3、定义模型

net=gn.nn.Sequential() # 定义一个模型容器
net.add(gn.nn.Dense(1)) # 线性模型就是一个单层的神经网络，这里并没有定义输入节点，在这之后读取数据时系统会自动赋值
print(net)

看看网络结构：

4、初始化训练参数

net.initialize() # 系统初始化参数,包含了weight,bias

5、损失函数

square_loss=gn.loss.L2Loss() # 平方误差(L2误差)

6、优化器

trainer=gn.Trainer(net.collect_params(),optimizer="sgd",optimizer_params={"learning_rate":0.01})

7、训练

epochs=6
for e in range(0,epochs):
    total_loss=0
    for data, label in data_iter:  # 读取第一个batch size看看
        with ag.record():
            output=net(data)
            loss=square_loss(label,output)
        loss.backward() # 对loss求导
        trainer.step(batch_size)
        total_loss+=nd.sum(loss).asscalar()
    print("Epoch: %d,average loss: %f"%(e,total_loss/num_example))

运行结果：

为了验证w,b的值，打印看看结果：

print(net[0].weight.data(),net[0].bias.data()) # 取出所在层的权重

结果：

可以看到，w的值为很接近[2，-3.4]，b的值很接近4.2。至于为什么与上一篇结果不太一样？那是因为随机生成的数据不一样。

附上所有源码：

import mxnet.ndarray as nd
import mxnet.autograd as ag
import mxnet as mx
import mxnet.gluon as gn
import random

num_input=2
num_example=1000
# mx.random.seed(0) # 固定随机数种子，以便能够复现
'''---生成数据---'''
true_w=[2,-3.4]
true_b=4.2

x=nd.random_normal(shape=(num_example,num_input)) # 随机生成的数据点x(1000行2列)
y=true_w[0]*x[:,0]+true_w[1]*x[:,1]+true_b

noise=0.01*nd.random_normal(shape=y.shape)  # 按照公式写出代码
y=y+noise
# print(y.shape)
print(x[:10],y[:10]) # 打印前10组数据进行查看

'''---数据读取---'''
batch_size=10
dataset=gn.data.ArrayDataset(x,y)
data_iter=gn.data.DataLoader(dataset=dataset,batch_size=batch_size,shuffle=True)

for data,label in data_iter: # 读取第一个batch size看看
    print("batch size：",data,label)
    break
'''---取多少次样本？---'''
# n=0
# for data,label in data_iter(): # 读取第一个batch size看看
#     n+=1
# print(n)

'''--------------------定义模型---------------------'''

net=gn.nn.Sequential() # 定义一个模型容器
net.add(gn.nn.Dense(1)) # 线性模型就是一个单层的神经网络，这里并没有定义输入节点，在这之后读取数据时系统会自动赋值
print(net)

# 初始化模型参数
net.initialize() # 系统初始化参数,包含了weight,bias

# 损失函数
square_loss=gn.loss.L2Loss() # 平方误差(L2误差)

#优化
trainer=gn.Trainer(net.collect_params(),optimizer="sgd",optimizer_params={"learning_rate":0.01})

# 训练
epochs=6
for e in range(0,epochs):
    total_loss=0
    for data, label in data_iter:  # 读取第一个batch size看看
        with ag.record():
            output=net(data)
            loss=square_loss(label,output)
        loss.backward() # 对loss求导
        trainer.step(batch_size)
        total_loss+=nd.sum(loss).asscalar()
    print("Epoch: %d,average loss: %f"%(e,total_loss/num_example))
print(net[0].weight.data(),net[0].bias.data()) # 取出所在层的权重
# help(net[0].weight.data())