根據Gluon項目官方Github頁(yè)面上的描述，Gluon API支持任意一種深度學(xué)習框架，其相關(guān)規范已經(jīng)在A(yíng)pache MXNet項目中實(shí)施，開(kāi)發(fā)者只需安裝最新版本的MXNet（master）即可體驗。AWS用戶(hù)可以創(chuàng )建一個(gè)AWS Deep Learning AMI進(jìn)行體驗。
該頁(yè)面提供了一段簡(jiǎn)易使用說(shuō)明，摘錄如下：
本教程以一個(gè)兩層神經(jīng)網(wǎng)絡(luò )的構建和訓練為例，我們將它稱(chēng)呼為多層感知機（multilayer perceptron）。（本示范建議使用Python 3.3或以上，并且使用Jupyter notebook來(lái)運行。詳細教程可參考這個(gè)頁(yè)面。）
首先，進(jìn)行如下引用聲明：
然后，使用gluon.data.DataLoader承載訓練數據和測試數據。這個(gè)DataLoader是一個(gè)iterator對象類(lèi)，非常適合處理規模較大的數據集。
接下來(lái)，定義神經(jīng)網(wǎng)絡(luò )：
然后把模型的參數設置一下：
之后就可以開(kāi)始跑訓練了，一共分四個(gè)步驟。一、把數據放進(jìn)去；二、在神經(jīng)網(wǎng)絡(luò )模型算出輸出之后，比較其與實(shí)際結果的差距；三、用Gluon的autograd計算模型各參數對此差距的影響；四、用Gluon的trainer方法優(yōu)化這些參數以降低差距。以下我們先讓它跑10輪的訓練：
