[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·使用MXNet拟合曲线（对比MXNet，PyTorch与TensorFlow实现的区别）在之前的博文中我们用TensorFlow与PyTorch进行了拟合曲线，到达了不错的效果。

我们现在使用MXNet进行相同的曲线拟合，进而来比较一下TensorFlow与PyTorch的异同。

搭建神经网络进行训练的步骤基本相同，我们现在开始用MXNet来实现。

问题描述

拟合y= x*x -2x +3 + 0.1(-1到1的随机值) 曲线

给定x范围（0，3）问题分析

在直线拟合博客中，我们使用最简单的y=wx+b的模型成功拟合了一条直线，现在我们在进一步进行曲线的拟合。简单的y=wx+b模型已经无法满足我们的需求，需要利用更多的神经元来解决问题了。生成数据代码语言：javascript复制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))生成的数据图像为：

搭建网络代码语言：javascript复制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

# 将训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()输出结果代码语言：javascript复制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