[MXNet逐梦之旅]实战一·使用MXNet拟合曲线（对比MXNet，PyTorch与TensorFlow实现的区别）

[MXNet逐梦之旅]实战一运用MXNet拟合曲线（比照MXNet，PyTorch与TensorFlow结束的差异）

在之前的博文中咱们用TensorFlow与PyTorch进行了拟合曲线，抵达了不错的作用。
咱们现在运用MXNet进行相同的曲线拟合，从而来比较一下TensorFlow与PyTorch的异同。
树立神经网络进行操练的进程底子相同，咱们现在开端用MXNet来结束。

• 问题描绘
  拟合y= x*x -2x +3 + 0.1(-1到1的随机值) 曲线
  给定x规模（0，3）
• 问题剖析
  在直线拟合博客中，咱们运用最简略的y=wx+b的模型成功拟合了一条直线，现在咱们在进一步进行曲线的拟合。简略的y=wx+b模型现已无法满意咱们的需求，需要利用更多的神经元来解决问题了。
• 生成数据

import numpy as np
import matplotlib.pyplot as plt
import torch as t
from torch.autograd import Variable as var
def get_data(x,w,b,d):
    c,r = x.shape
    y = (w * x * x + b*x + d)+ (0.1*(2*np.random.rand(c,r)-1))
    return(y)
xs = np.arange(0,3,0.01).reshape(-1,1)
ys = get_data(xs,1,-2,3)
xs = var(t.Tensor(xs))
ys = var(t.Tensor(ys))

生成的数据图画为：

• 树立网络

from mxnet.gluon import loss,nn,data
from mxnet import autograd, nd, gluon,init
import numpy as np
import matplotlib.pyplot as plt
def get_data(x,w,b,d):
    c,r = x.shape
    y = (w * x * x + b*x + d)+ (0.1*(2*np.random.rand(c,r)-1))
    return(y)
xs = np.arange(0,3,0.01).reshape(-1,1)
ys = get_data(xs,1,-2,3)
xs,ys = nd.array(xs),nd.array(ys)
batch_size = 100
# 将操练数据的特征和标签组合。
dataset = data.ArrayDataset(xs, ys)
# 随机读取小批量。
data_iter = data.DataLoader(dataset, batch_size, shuffle=True)
model = nn.Sequential()
model.add(nn.Dense(16,activation='relu'))
model.add(nn.Dense(1))
model.initialize(init.Normal(sigma=0.01))
print(model)
loss_f = loss.L2Loss()
trainer = gluon.Trainer(model.collect_params(), 'Adam', {'learning_rate': 0.1})
num_epochs = 1000
for epoch in range(1, num_epochs + 1):
    for X, y in data_iter:
        with autograd.record():
            l = loss_f(model(X), y)
        l.backward()
        trainer.step(batch_size)
    l = loss_f(model(xs), ys)
    if(epoch%100==0):print('epoch %d, loss: %f' % (epoch, l.mean().asnumpy()))
ys_pre = model(xs)
plt.title("curve")
plt.plot(xs.asnumpy(),ys.asnumpy())
plt.plot(xs.asnumpy(),ys_pre.asnumpy())
plt.show()

• 输出成果

Sequential(
  (0): Dense(None -> 16, Activation(relu))
  (1): Dense(None -> 1, linear)
)
epoch 100, loss: 0.229648
epoch 200, loss: 0.233721
epoch 300, loss: 0.233185
epoch 400, loss: 0.178324
epoch 500, loss: 0.018889
epoch 600, loss: 0.009249
epoch 700, loss: 0.007344
epoch 800, loss: 0.003552
epoch 900, loss: 0.003080
epoch 1000, loss: 0.002648

• 实验现象