Gluon 是微软联合亚马逊推出的一个开源深度学习库，这是一个清晰、简洁、简单但功能强大的深度学习 API，该规范可以提升开发人员学习深度学习的速度，而无需关心所选择的深度学习框架。Gluon API 提供了灵活的接口来简化深度学习原型设计、创建、训练以及部署，而且不会牺牲数据训练的速度。
Gluon 规范已经在 Apache MXNet 中实现，只需要安装最新的 MXNet 即可使用。推荐使用 Python 3.3 或者更新版本。
主要优势包括：
-
代码简单，易于理解
-
灵活，命令式结构: 不需要严格定义神经网络模型，而是将训练算法和模型更紧密地结合起来，开发灵活
-
动态图: Gluon 可以让开发者动态的定义神经网络模型，这意味着他们可以在运行时创建模型、结构，以及使用任何 Python 原生的控制流
-
高性能: Gluon 所提供的这些优势对底层引擎的训练速度并没有任何影响
示例代码：
import mxnet as mx
from mxnet import gluon, autograd, ndarray
import numpy as np
train_data = mx.gluon.data.DataLoader(mx.gluon.data.vision.MNIST(train=True,
transform=lambda data, label: (data.astype(np.float32)/255, label)),
batch_size=32, shuffle=True)
test_data = mx.gluon.data.DataLoader(mx.gluon.data.vision.MNIST(train=False,
transform=lambda data, label: (data.astype(np.float32)/255, label)),
batch_size=32, shuffle=False)
# First step is to initialize your model
net = gluon.nn.Sequential()
# Then, define your model architecture
with net.name_scope():
net.add(gluon.nn.Dense(128, activation="relu")) # 1st layer - 128 nodes
net.add(gluon.nn.Dense(64, activation="relu")) # 2nd layer – 64 nodes
net.add(gluon.nn.Dense(10)) # Output layer
# We start with random values for all of the model’s parameters from a
# normal distribution with a standard deviation of 0.05
net.collect_params().initialize(mx.init.Normal(sigma=0.05))
# We opt to use softmax cross entropy loss function to measure how well the # model is able to predict the correct answer
softmax_cross_entropy = gluon.loss.SoftmaxCrossEntropyLoss()
# We opt to use the stochastic gradient descent (sgd) training algorithm
# and set the learning rate hyperparameter to .1
trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate': .1})
epochs = 10
for e in range(epochs):
for i, (data, label) in enumerate(train_data):
data = data.as_in_context(mx.cpu()).reshape((-1, 784))
label = label.as_in_context(mx.cpu())
with autograd.record(): # Start recording the derivatives
output = net(data) # the forward iteration
loss = softmax_cross_entropy(output, label)
loss.backward()
trainer.step(data.shape[0])
# Provide stats on the improvement of the model over each epoch
curr_loss = ndarray.mean(loss).asscalar()
print("Epoch {}. Current Loss: {}.".format(e, curr_loss))-
使用Mxnet中的Gluoncv工具包训练模型，默认选项一般都只保存了参数文件，模型文件需要在测试的时候通过单独的程序文件加载，对于部署和测试来说有一定的麻烦。而Gluon中提供API可以将模型和参数一同保存，测试时不需要模型程序。我们以分类网络为例，介绍保存和加载模型的方法。 首先使用model_zoo加载模型和参数： import gluoncv from gluoncv.model_zoo
-
http://mxnet.apache.org/api/python/gluon/data.html import sys import os import time import mxnet as mx from mxnet import autograd,nd from mxnet import gluon,init from mxnet.gluon import data as gdata,
-
参考：https://blog.csdn.net/kl28978113/article/details/80859951
-
gluon iOS设备上的Java？ 来自Gluon（ iOS上为Java，实际为 ）的最新消息宣布， Gluon客户端插件现在提供了在iOS设备（或iPhone模拟器）上运行Java 11+和Java FX应用程序的配置。 借助Gluon Mobile，开发人员可以利用Java来创建iOS和Android应用程序，并利用他们已经熟悉的语言和生态系统来执行操作。 Gluon Mobile为客户端应
-
Code is working fine for Android 8 and 9, this issue only in Android 10. We can run in Android 10 by using the command adb shell settings put global hidden_api_policy 1. But this is again only device
-
gluon 移动解决方案提供商Gluon已发布JavaFX 12，这是自JavaFX与JDK（Java开发工具包）分离以来，该公司针对Java的第二版富客户端技术。 [ 15个Java框架使开发人员受益匪浅 。 • 哪些工具支持Java的新模块化功能 。 | 通过InfoWorld的App Dev Report新闻通讯了解编程方面的热门话题。 ] JavaFX 12遵循Gluon于2018年9月发
-
移动解决方案提供商Gluon已发布JavaFX 12，这是自JavaFX与JDK（Java开发工具包）分离以来，该公司针对Java的第二版富客户端技术。 [ 15个Java框架使开发人员受益匪浅 。 • 哪些工具支持Java的新模块化功能 。 | 通过InfoWorld的App Dev Report新闻通讯了解编程方面的热门话题。 ] JavaFX 12是Gluon在2018年9月发行的JavaF
-
mxnet.recordio MXRecordIO Reads/writes RecordIO data format, supporting sequential read and write. record = mx.recordio.MXRecordIO('tmp.rec', 'w') for i in range(5): record.write('record_%d'%i) r
-
MXNet的深度学习引擎有两个主要的高级接口：Gluon API和Module API。下面提供了每个教程。 两者之间的区别是命令式编程和符号式编程风格。Gluon可以很容易地原型、构建和训练深度学习模型，而不牺牲训练速度，通过启用（1）直觉命令的Python代码开发和（2）通过使用杂交特征自动生成符号执行图来更快地执行。 TL;DR:如果您不熟悉深度学习或MXNet，您应该从Gluon教程开始。
-
主要内容 课程列表 专项课程学习 辅助课程 论文专区 课程列表 课程 机构 参考书 Notes等其他资料 卷积神经网络视觉识别 Stanford 暂无 链接 神经网络 Tweet 暂无 链接 深度学习用于自然语言处理 Stanford 暂无 链接 自然语言处理 Speech and Language Processing 链接 专项课程学习 下述的课程都是公认的最好的在线学习资料，侧重点不同，但推
-
Google Cloud Platform 推出了一个 Learn TensorFlow and deep learning, without a Ph.D. 的教程，介绍了如何基于 Tensorflow 实现 CNN 和 RNN，链接在 这里。 Youtube Slide1 Slide2 Sample Code
-
现在开始学深度学习。在这部分讲义中，我们要简单介绍神经网络，讨论一下向量化以及利用反向传播(backpropagation)来训练神经网络。 1 神经网络(Neural Networks) 我们将慢慢的从一个小问题开始一步一步的构建一个神经网络。回忆一下本课程最开始的时就见到的那个房价预测问题：给定房屋的面积，我们要预测其价格。 在之前的章节中，我们学到的方法是在数据图像中拟合一条直线。现在咱们不
-
深度学习的总体来讲分三层，输入层，隐藏层和输出层。如下图： 但是中间的隐藏层可以是多层，所以叫深度神经网络，中间的隐藏层可以有多种形式，就构成了各种不同的神经网络模型。这部分主要介绍各种常见的神经网络层。在熟悉这些常见的层后，一个神经网络其实就是各种不同层的组合。后边介绍主要基于keras的文档进行组织介绍。
-
Python 是一种通用的高级编程语言，广泛用于数据科学和生成深度学习算法。这个简短的教程介绍了 Python 及其库，如 Numpy，Scipy，Pandas，Matplotlib，像 Theano，TensorFlow，Keras 这样的框架。
-
你拿起这本书的时候，可能已经知道深度学习近年来在人工智能领域所取得的非凡进展。在图像识别和语音转录的任务上，五年前的模型还几乎无法使用，如今的模型的表现已经超越了人类。
-
主要内容：机器学习,深度学习,机器学习与深度学习的区别,机器学习和深度学习的应用人工智能是近几年来最流行的趋势之一。机器学习和深度学习构成了人工智能。下面显示的维恩图解释了机器学习和深度学习的关系 - 机器学习 机器学习是让计算机按照设计和编程的算法行事的科学艺术。许多研究人员认为机器学习是实现人类AI的最佳方式。机器学习包括以下类型的模式 - 监督学习模式 无监督学习模式 深度学习 深度学习是机器学习的一个子领域，其中有关算法的灵感来自大脑的结构和功能，称为人工神经网络。
-
主要内容：数据量,硬件依赖,特色工程在本章中，我们将讨论机器和深度学习概念之间的主要区别。 数据量 机器学习使用不同数量的数据，主要用于少量数据。另一方面，如果数据量迅速增加，深度学习可以有效地工作。下图描绘了机器学习和深度学习在数据量方面的工作 - 硬件依赖 与传统的机器学习算法相反，深度学习算法设计为在很大程度上依赖于高端机器。深度学习算法执行大量矩阵乘法运算，这需要巨大的硬件支持。 特色工程 特征工程是将领域知识放入指定特征的