《动手学深度学习》第三天

今天学习深度学习基础第三节–线性回归的简洁实现
主要是通过Gluon中的一些模块来更简洁的实现模型。
（一）Gluon提供了Data包来读取数据：
①mxnet.gluon.data.ArrayDataset(*args)
组合多个类似数据集的对象的数据集，例如数据集、列表、数组等。
②mxnet.gluon.data.DataLoader(dataset, batch_size=None, shuffle=False,…)
从数据集中加载数据并返回小批量数据。
dataset (Dataset) – Source dataset. Note that numpy and mxnet arrays can be directly used as a Dataset.
batch_size (int) – Size of mini-batch.
shuffle (bool) – Whether to shuffle the samples.是否需要洗牌
（二）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。
①在Gluon中，Sequential实例可以看作是一个串联各个层的容器。在构造模型时，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。
②在Gluon中，全连接层是一个Dense实例。
（三）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。
mxnet.initializer.Normal(sigma=0.01)
用从正态分布中采样的随机值初始化权重，平均值为零，标准差为σ。参数:σ(浮动，可选)-正态分布的标准偏差。默认标准偏差为0.01。
（四）在Gluon中，loss模块定义了各种损失函数。
（五）定义优化算法，
collect_params（）返回包含此块及其所有子参数的parameterdict(默认)，也可以返回与某些给定正则表达式匹配的select parameterdict。

接着学习第四节—softmax回归

softmax回归适用于分类问题。它使用softmax运算输出类别的概率分布。
softmax回归是一个单层神经网络，输出个数等于分类问题中的类别个数。
交叉熵适合衡量两个概率分布的差异。