几个月前，刚开始接触mxnet和Tensorflow时，编写的自己案例使用的就是简单的数据集iris。因为它足够简单（只有3个分类，150条数据），很容易分析。 和很多研究者不太一样，他们只是跑跑训练程序，看看打印出来的train accuracy就结束了。我训练完模型后，还喜欢继续编一些自定义的数据，然后让模型去做预测或分类，看看模型是否足够好。对Iris数据集，我用mxnet实现了一个MLP模型进行分类。在训练完后(打印出来的train accuracy在0.9以上的)，马上做一些自定义数据的预测，结果发现预测分类结果很差，没法用。当时觉得是自己不熟悉Mxnet ，所以才会有这样的结果，就不管了。可是，后来转为用Tensorflow实现类似的MLP模型对iris数据集进行分类，然后预测同样的自定义数据，突然发现Tensorflow的代码表现很不错。这种强烈对比差距让我很惊讶，于是又用mxnet和Tensorflow编写MLP模型测试另外两个数据集，结果还是如此(Tensorflow基本可以分类，mxnet不行)。我把一些测试的数据列出来：

测试1. sonar dataset(两个标签值，60个特征，208条数据。):

a)Tensorflow codes :

train Accuracy: 0.833333

测试4个新的数据：

New samples accuracy: 0. 50000

b) mxnet codes:

train Accuracy: 0.6

测试4个新的数据：

(‘New samples accuracy:’, 0.25)

测试2. iris dataset(三个标签值，4个特征，150条数据):

a)Tensorflow codes :

train Accuracy: 1.0

测试10个新的数据：

New samples accuracy: 0.900000

b) mxnet codes:

train Accuracy: 0.975

测试10个新的数据：

(‘New samples accuracy:’, 0.20)

测试3. 自定义数据集(三个标签值，3个特征，10000条数据。这个数据集是我编的，其中前两个特征是无关紧要的，第三列特征才是决定因素。故意这样设置，让神经网络去自己判断谁最重要。

a)Tensorflow codes :

train Accuracy: 0.9

测试10个新的数据：

New samples accuracy: 0.700000.

b) mxnet codes:

train Accuracy: 1.0

测试10个新的数据：

New samples accuracy: 0.3.

可以看到，用mxnet编写的MLP模型对3个不同文本数据集进行新数据分类的精确度很差，没法用。Tensorflow编写的MLP模型能用。mxnet为啥表现不佳呢？我怀疑mxnet代码有bug，特别是模型定义和模型训练这块的代码。在mxnet的github上提了这个问题，但是没人理睬。算了。没找出bug前还是用Tensorflow做这些简单分类的分类器吧。

相关的测试对比代码放在这里：

https://github.com/qinhui99/mxnetSamples.git

有兴趣的可以去看看。