2017年10月12日，AWS与微软合作发布了Gluon开源项目，该项目旨在帮助开发者更加简单快速的构建机器学习模型，同时保留了较好的性能。根据Gluon项目官方Github页面上的描述，Gluon API支持任意一种深度学习框架，其相关规范已经在Apache MXNet项目中实施，开发者只需安装最新版本的MXNet(master)即可体验。AWS用户可以创建一个AWS Deep Learning AMI进行体验。该页面提供了一段简易使用说明，摘录如下：本教程以一个两层神经网络的构建和训练为例，我们将它称呼为多层感知机(multilayer perceptron)。(本示范建议使用Python 3.3或以上，并且使用Jupyter notebook来运行。详细教程可参考这个页面。)首先，进行如下引用声明：import mxnet as mx

from mxnet import gluon, autograd, ndarray

import numpy as np

然后，使用gluon.data.DataLoader承载训练数据和测试数据。这个DataLoader是一个iterator对象类，非常适合处理规模较大的数据集。

train_data = mx.gluon.data.DataLoader(mx.gluon.data.vision.MNIST(train=True, transform=lambda data, label: (data.astype(np.float32)/255, label)), batch_size=32, shuffle=True)test_data = mx.gluon.data.DataLoader(mx.gluon.data.vision.MNIST(train=False, transform=lambda data, label: (data.astype(np.float32)/255, label)), batch_size=32, shuffle=False)

接下来，定义神经网络：

# 先把模型做个初始化net = gluon.nn.Sequential()# 然后定义模型架构with net.name_scope(): net.add(gluon.nn.Dense(128, activation="relu")) # 第一层设置128个节点 net.add(gluon.nn.Dense(64, activation="relu")) # 第二层设置64个节点 net.add(gluon.nn.Dense(10)) # 输出层

然后把模型的参数设置一下：

# 先随机设置模型参数# 数值从一个标准差为0.05正态分布曲线里面取net.collect_params().initialize(mx.init.Normal(sigma=0.05))# 使用softmax cross entropy loss算法 # 计算模型的预测能力softmax_cross_entropy = gluon.loss.SoftmaxCrossEntropyLoss()# 使用随机梯度下降算法(sgd)进行训练# 并且将学习率的超参数设置为 .1trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate': .1})

之后就可以开始跑训练了，一共分四个步骤。一、把数据放进去；二、在神经网络模型算出输出之后，比较其与实际结果的差距；三、用Gluon的autograd计算模型各参数对此差距的影响；四、用Gluon的trainer方法优化这些参数以降低差距。以下我们先让它跑10轮的训练：

epochs = 10for e in range(epochs): for i, (data, label) in enumerate(train_data): data = data.as_in_context(mx.cpu()).reshape((-1, 784)) label = label.as_in_context(mx.cpu()) with autograd.record(): # Start recording the derivatives output = net(data) # the forward iteration loss = softmax_cross_entropy(output, label) loss.backward() trainer.step(data.shape[0]) # Provide stats on the improvement of the model over each epoch curr_loss = ndarray.mean(loss).asscalar() print("Epoch {}. Current Loss: {}.".format(e, curr_loss))

若想了解更多Gluon说明与用法，可以查看gluon.mxnet.io这个网站。