网络结构，输入为2个数，先经过10个节点的全连接层，再经过10个节点的ReLu，再经过10个节点的全连接层，再经过1个节点的全连接层，最后输出。
#-*-coding:utf-8-*- import logging
import math
import random
import mxnet as mx # 导入 MXNet 库
import numpy as np # 导入 NumPy 库，这是 Python 常用的科学计算库logging.getLogger().setLevel(logging.DEBUG) # 打开调试信息的显示'''设置超参数'''
n_sample = 10000 # 训练用的数据点个数
batch_size = 10 # 批大小
learning_rate = 0.1 # 学习速率
n_epoch = 10 # 训练 epoch 数'''生成训练数据'''
# 每个数据点是在 (0,1) 之间的 2 个随机数
train_in = [[ random.uniform(0, 1) for c in range(2)] for n in range(n_sample)]
train_out = [0 for n in range(n_sample)] # 期望输出，先初始化为 0
for i in range(n_sample):# 每个数据点的期望输出是 2 个输入数中的大者train_out[i] = max(train_in[i][0], train_in[i][1])'''定义train_iter为训练数据的迭代器，data为输入数据，label为标签对应train_out，shuffle代表每个epoch会随机打乱数据'''
train_iter = mx.io.NDArrayIter(data = np.array(train_in), label = {'reg_label':np.array(train_out)}, batch_size = batch_size, shuffle = True)'''定义网络结构，src为输入层，fc1,fc2,fc3是全连接层，act1,act2是ReLu层，num_hidden代表神经元个数，data是输入数据，name是输出'''
src = mx.sym.Variable('data') # 输入层
fc1 = mx.sym.FullyConnected(data = src, num_hidden = 10, name = 'fc1') # 全连接层
act1 = mx.sym.Activation(data = fc1, act_type = "relu", name = 'act1') # ReLU层
fc2 = mx.sym.FullyConnected(data = act1, num_hidden = 10, name = 'fc2') # 全连接层
act2 = mx.sym.Activation(data = fc2, act_type = "relu", name = 'act2') # ReLU层
fc3 = mx.sym.FullyConnected(data = act2, num_hidden = 1, name = 'fc3') # 全连接层
'''定义net为输出层，采用线性回归输出，MXNet会自动使用MSE作为损失函数，输入数据为fc3，输出层命名为reg'''
net = mx.sym.LinearRegressionOutput(data = fc3, name = 'reg') # 输出层'''定义变量module需训练的网络模组，网络的输出symbol为net，期望标签名label_names为reg_label'''
module = mx.mod.Module(symbol = net, label_names = (['reg_label']))'''定义module.fit进行训练'''
module.fit(train_iter, # 训练数据的迭代器eval_data = None, # 在此只训练，不使用测试数据eval_metric = mx.metric.create('mse'), # 输出 MSE 损失信息#将权重和偏置初始化为在[-0.5,0.5]间均匀的随机数initializer=mx.initializer.Uniform(0.5),optimizer = 'sgd', # 梯度下降算法为 SGD# 设置学习速率optimizer_params = {'learning_rate': learning_rate}, num_epoch = n_epoch, # 训练 epoch 数# 每经过 100 个 batch 输出训练速度 batch_end_callback = None, epoch_end_callback = None,
)#输出最终参数
for k in module.get_params():print(k)
