回归模型与自定义神经网络的比较分析

mx.mlp接口固然很方便，但是神经网络的一大特点便是它的灵活性，不同的结构可能有着完全不同的特性。mxnet的亮点之一便是它赋予了用户极大的自由度，从而可以任意定义需要的神经网络结构。本节用一个简单的回归任务来介绍其相关的语法。

【例9.2】使用mxnet提供了“Symbol”系统，建立回归预测模型。

（1）数据准备

＞data（BostonHousing，package=＂mlbench＂）

＞train.ind=seq（1，506，3）

＞train.x=data.matrix（BostonHousing[train.ind，-14]）

＞train.y=BostonHousing[train.ind，14]

＞test.x=data.matrix（BostonHousing[-train.ind，-14]）

＞test.y=BostonHousing[-train.ind，14]

（2）建模

mxnet提供了一个叫作“Symbol”的系统，从而可以定义结点之间的连接方式与激活函数等参数。下面是一个定义没有隐藏层神经网络的简单例子：

＞data＜-mx.symbol.Variable（＂data＂）#定义输入数据

＞fc1＜-mx.symbol.FullyConnected（data，num_hidden=1）

＞lro＜-mx.symbol.LinearRegressionOutput（fc1）#定义损失函数

在神经网络中，回归与分类的差别主要在于输出层的损失函数。这里使用平方误差来训练模型。希望进一步了解Symbol的读者可以继续阅读相关文档。

定义了神经网络之后，便可以使用mx.model.FeedForward.create进行训练了。

＞mx.set.seed（0）

＞model＜-mx.model.FeedForward.create（lro，

X=train.x，

y=train.y，

ctx=mx.cpu（），

num.round=50，

array.batch.size=20，

learning.rate=2e-6，(www.xing528.com)

momentum=0.9，

eval.metric=mx.metric.rmse）

Autodetectlayoutofinputmatrix，userowmajor..

Starttrainingwith1devices

[1]Train-rmse=16.063282524034

[2]Train-rmse=12.2792375712573

[3]Train-rmse=11.1984634005885

︙

[48]Train-rmse=8.26890902770415

[49]Train-rmse=8.25728089053853

[50]Train-rmse=8.24580511500735

（3）模型部署

这里针对回归任务修改了eval.metric参数。模型提供的评价函数包括“accura-cy”“rmse”“mae”和“rmsle”，用户也可以针对需要自定义评价函数，例如：

Autodetectlayoutofinputmatrix，userowmajor..

Starttrainingwith1devices

[1]Train-mae=13.1889538083225

[2]Train-mae=9.81431959337658

[3]Train-mae=9.21576419870059

︙

[48]Train-mae=6.41731406417158

[49]Train-mae=6.41011292926139

[50]Train-mae=6.40312503493494

至此，mxnet使用方法已经基本掌握了。9.3.3节将介绍更有趣的应用。