Gluon 正在参加 2020 年度 OSC 中国开源项目评选,请投票支持!
Gluon 在 2020 年度 OSC 中国开源项目评选 中已获得 {{ projectVoteCount }} 票,请投票支持!
投票让它出道
已投票
授权协议: Apache
开发语言: Python
操作系统: 跨平台
开发厂商: 微软
收录时间: 2017-10-21
提 交 者: 红薯

Gluon 是微软联合亚马逊推出的一个开源深度学习库,这是一个清晰、简洁、简单但功能强大的深度学习 API,该规范可以提升开发人员学习深度学习的速度,而无需关心所选择的深度学习框架。Gluon API 提供了灵活的接口来简化深度学习原型设计、创建、训练以及部署,而且不会牺牲数据训练的速度。

Gluon 规范已经在 Apache MXNet 中实现,只需要安装最新的 MXNet 即可使用。推荐使用 Python 3.3 或者更新版本。

主要优势包括:

  • 代码简单,易于理解

  • 灵活,命令式结构: 不需要严格定义神经网络模型,而是将训练算法和模型更紧密地结合起来,开发灵活

  • 动态图: Gluon 可以让开发者动态的定义神经网络模型,这意味着他们可以在运行时创建模型、结构,以及使用任何 Python 原生的控制流

  • 高性能: Gluon 所提供的这些优势对底层引擎的训练速度并没有任何影响

示例代码:

import mxnet as mx
from mxnet import gluon, autograd, ndarray
import numpy as np

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)                     

# First step is to initialize your model
net = gluon.nn.Sequential()
# Then, define your model architecture
with net.name_scope():
    net.add(gluon.nn.Dense(128, activation="relu")) # 1st layer - 128 nodes
    net.add(gluon.nn.Dense(64, activation="relu")) # 2nd layer – 64 nodes
    net.add(gluon.nn.Dense(10)) # Output layer

# We start with random values for all of the model’s parameters from a
# normal distribution with a standard deviation of 0.05
net.collect_params().initialize(mx.init.Normal(sigma=0.05))

# We opt to use softmax cross entropy loss function to measure how well the # model is able to predict the correct answer
softmax_cross_entropy = gluon.loss.SoftmaxCrossEntropyLoss()

# We opt to use the stochastic gradient descent (sgd) training algorithm
# and set the learning rate hyperparameter to .1
trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate': .1})

epochs = 10
for 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))
展开阅读全文

代码

的 Gitee 指数为
超过 的项目

Gluon 的相关资讯

还没有任何资讯

Gluon 的相关博客

Gluon 参数读取

ndarray: save , load from mxnet import nd from mxnet.gluon import nn x = nd.ones(3) # nd.save('x',x) # x2 = nd....

gluon多线程迭代器

gluon里面终于有了多线程迭代器,试了下,自定义程度高。 https://mxnet.incubator.apache.org/api/python/gluon/data.html?...

Gluon parameters 和 Blocks 命名

API:gluon中每个Parameters或者Block都有前缀prefix,Parameters的名字由用户指定,Block的名字可以由用户指定或自动生成。 ...

mxnet的gluon接口

mxnet新出了个gluon接口,文档和api都还不错,有torch和tensorflow相似的一些风格,使得从这两个框架转过来相对容易一些。glu...

『MXNet』第四弹_Gluon自定义层

一、不含参数层 通过继承Block自定义了一个将输入减掉均值的层:CenteredLayer类,并将层的计算放在forward函数里, from mxn...

『MXNet』第二弹_Gluon构建模型

上节用了Sequential类来构造模型。这里我们另外一种基于Block类的模型构造方法,它让构造模型更加灵活,也将让你能更好的理解...

MXNet的新接口Gluon

为什么要开发Gluon的接口 在MXNet中我们可以通过Sybmol模块来定义神经网络,并组通过Module模块提供的一些上层API来简化整个训...

『MXNet』第三弹_Gluon模型参数

MXNet中含有init包,它包含了多种模型初始化方法。 from mxnet import init, nd from mxnet.gluon import nn net = nn.S...

『MXNet』第六弹_Gluon性能提升

一、符号式编程 1、命令式编程和符号式编程 命令式: def add(a, b): return a + b def fancy_func(a, b, c, d): ...

gluon模块进行数据加载-Dataset和DataLoader

在gluon接口中,通过Dataset和DataLoader来对数据集进行循环遍历,并返回batch大小的数据,其中Dataset对象用于数据的收集、加...

Gluon 的相关问答

还没有任何问答,马上提问

评论 (6)

加载中
一个tensotflow就够了,其他都一样
2017/10/23 09:02
回复
举报
无法入手
2017/10/22 02:28
回复
举报
先观望
2017/10/21 19:49
回复
举报
选择困难症了
2017/10/21 18:15
回复
举报
继前端轮子满天飞以后人工智能轮子满天飞的时代来了。
2017/10/21 15:53
回复
举报
md 这么多框架 到底哪个好?
2017/10/21 10:54
回复
举报
更多评论
6 评论
141 收藏
分享
返回顶部
顶部