官方API https://fluxml.ai/Flux.jl/stable/ecosystem/

官网给出了 Flux’s model-zoo， 是一个庞大的案例库， 可以提供直观的参考， 并且还列举了基于 Flux.jl 开发的第三方库。

机器视觉

1. ObjectDetector.jl YOLO 抓取的“预备跑” 图像
2. Metalhead.jl 用于迁移学习的机器视觉模型
3. UNet.jl U型网络

自然语言过程

1. Transformer.jl GPT 模型关键环节。
2. TextAnalysis.jl 文本分析器。

强化学习

1. AlphaZero.jl Deepmind AlphaZero 算法
2. ReinforcementLearning.jl Julia 语言环境中的强化学习研究包

图论学习

1. GraphNeuralNetworks.jl 灵活的图神经网络工具
2. GeometricFlux.jl 首款Julia语言中的图神经网络
3. NeuralOperators.jl 可用于求解PDE工具代替了有限元方法
4. SeaPearl.jl 利用约束规划求解基于图输入 的强化学习

时间序列

1. FluxArchitectures.jl 为时间序列预测建立的高级网络架构

鲁棒神经网络

1. RobustNeuralNetworks.jl 包括系列的满足鲁棒性约束的神经网络

数据集

1. MLDatasets.jl 下载解包机器学习的相关数据
2. GraphMLDatasets.jl 图论相关的机器学习数据集

小试牛刀：线性回归最小二乘法

$$\underset{W,b}{\min }\frac{1}{N}\sum _{i=1}^N(w{x}_i+b-y_i{)}^2$$

using Flux
using Plots

x = hcat(collect(Float32, -3:0.1:3)...)
f(x) = @. 3x + 2;
y = f(x)
x = x .+ reshape(rand(Float32, 61), (1, 61));
custom_model(W, b, x) = @. W*x + b
W = rand(Float32, 1, 1)
b = [0.0f0]
function custom_loss(W, b, x, y)
   ŷ = custom_model(W, b, x)
   sum((y .- ŷ).^2) / length(x)
end;
flux_model = Dense(1 => 1)
dLdW, dLdb, _, _ = gradient(custom_loss, W, b, x, y);
function train_custom_model()
   dLdW, dLdb, _, _ = gradient(custom_loss, W, b, x, y)
   @. W = W - 0.1 * dLdW
   @. b = b - 0.1 * dLdb
end;
for i = 1:40
    train_custom_model()
end
W, b, custom_loss(W, b, x, y)
plot(reshape(x, (61, 1)), reshape(y, (61, 1)), lw = 3, seriestype = :scatter, label = "Data", title = "Linear Regression", xlabel = "x", ylabel= "y")
plot!((x) -> b[1] + W[1] * x, -3, 3, label="Fitting", lw=2)