根據(jù)Gluon項(xiàng)目官方Github頁面上的描述，Gluon API支持任意一種深度學(xué)習(xí)框架，其相關(guān)規(guī)范已經(jīng)在Apache MXNet項(xiàng)目中實(shí)施，開發(fā)者只需安裝最新版本的MXNet（master）即可體驗(yàn)。AWS用戶可以創(chuàng)建一個(gè)AWS Deep Learning AMI進(jìn)行體驗(yàn)。

　　該頁面提供了一段簡(jiǎn)易使用說明，摘錄如下：

　　本教程以一個(gè)兩層神經(jīng)網(wǎng)絡(luò)的構(gòu)建和訓(xùn)練為例，我們將它稱呼為多層感知機(jī)（multilayer perceptron）。（本示范建議使用Python 3.3或以上，并且使用Jupyter notebook來運(yùn)行。詳細(xì)教程可參考這個(gè)頁面。）

　　首先，進(jìn)行如下引用聲明：

　　

　　然后，使用gluon.data.DataLoader承載訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。這個(gè)DataLoader是一個(gè)iterator對(duì)象類，非常適合處理規(guī)模較大的數(shù)據(jù)集。

　　

　　接下來，定義神經(jīng)網(wǎng)絡(luò)：

　

　　然后把模型的參數(shù)設(shè)置一下：

　

　　之后就可以開始跑訓(xùn)練了，一共分四個(gè)步驟。一、把數(shù)據(jù)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(jié)果的差距；三、用Gluon的autograd計(jì)算模型各參數(shù)對(duì)此差距的影響；四、用Gluon的trainer方法優(yōu)化這些參數(shù)以降低差距。以下我們先讓它跑10輪的訓(xùn)練：