第一章第2节-删繁就简（线性回归的简洁实现）

上节介绍了线性回归的实现方法，实践中，我们通常可以用比上一节更简洁的代码来实现同样的模型。在本节中，我们将介绍如何使用MXNet提供的Gluon接口更方便地实现线性回归的训练。

1.2.1 生成数据集

我们生成与上一节中相同的数据集。其中features是训练数据特征，labels是标签。

1.2.2读取数据

Gluon提供了data包来读取数据。由于data常用作变量名，我们将导入的data模块用添加lGluon首字母的假名gdata代替。在每一次迭代中，我们将随机读取包含10个数据样本的小批量。

这里data_iter的使用跟上一节中的一样。让我们读取并打印第一个小批量数据样本。

1.2.3 定义模型

在上一节从零开始的实现中，我们需要定义模型参数，并使用他们一步步描述模型是怎样计算的。当模型结构变得更复杂是，这些步骤将变得更加繁琐。其实，Gluon提供了大量预定义的层，这使我们只需关注使用哪些层来构造模型。下面将介绍如何使用Gluon更简洁地定义线性回归。

首先，导入nn模块。实际上，“nn”是neural networks(神经网络)的缩写。顾名思义，该模块定义了大量神经网络的层。我们先定义一个模型变量net,他是一个Sequential实例。在Gluon中，Sequential实例可以看做是一个串联各个层的容器。在构造模型是，我们在该容器中依次添加层。当给定输入数据时，容器中的每一层将依次计算并将输出作为下一层的输入。

回顾图1.1中现行回归在神经网络图中的表示。作为一个单层神经网络，线性回归输出层中的神经元和出入层中各个输入完全连接。因此，线性回归的输出层又叫做全连接层。在Gluon中，全连接层是一个Dense实例。我们定义该层输出个数为1.。

在Gluon中我们无须指定每一层输入的形状，例如线性回归的输入个数。当模型得到数据时，例如后面执行net(x)时，模型将自动推断出每一层的输入个数。Gluon的这一设计为模型开发带来便利。

1.2.4 初始化模型参数

在使用net前，我们需要初始化模型参数，如线性回归模型中的权值和偏差。我们从MXNet导入init模块。该模块提供了模型参数初始化的各种方法。这里的init是initializer的缩写形式。我们通过Init.Normal(sigma=0.01)指定权重参数每个元素将在初始化时随机采样与均值为0、标准差为0.01的正态分布。偏差参数默认会初始化为零。

1.2.5 定义损失函数

在Gluon中，loss模块定义了各种损失函数。我们用假名gloss代替导入的loss模块，并直接使用它提供的平方损失作为模型的损失函数。

1.2.6 定义优化算法

同样，我们也无须实现小批量随机梯度下降。在导入Gluon后，我们创建一个Trainer实例，并指定学习率为0.03的小批量随机梯度下降（sgd）为优化算法。该优化算法将用来迭代net实例所有通过add函数嵌套的层所包含的全部参数。这些参数可以通过collect_params函数获取。

1.2.7 训练模型

在使用Gluon训练模型时，我们通过调用Trainer实例的step函数来迭代模型参数。上一节中我们提到，由于变量l是长度为batch_size的一维NDArray,执行l.backward（）等价于执行l.sum().backward()。按照小批量随机梯度下降的定义，我们在step函数中指明批量大小，从而对批量中样本梯度求平均。

下面我们分别比较学到的模型参数和真实的模型参数。我们从net获得需要的层，并访问其权重（weight）和偏差（bias）。学到的参数和真实的参数很接近。