Skip to content

F
FluidDoc

PaddlePaddle / FluidDoc

通知 10
Star 2
Fork 0
F
FluidDoc
提交 3eb99f7e 编写于 作者: C chentianyu03
浏览文件
操作

modify alias

上级 a219c253
显示空白变更内容
内联 并排
Showing with 3224 addition and 6415 deletion
doc/paddle/api/alias_api_mapping
浏览文件 @ 3eb99f7e
paddle.fluid.layers.swish paddle.nn.functional.activation.swish paddle.fluid.layers.swish paddle.nn.functional.swish,paddle.nn.functional.activation.swish
paddle.fluid.layers.space_to_depth paddle.nn.functional.space_to_depth paddle.fluid.layers.soft_relu paddle.nn.functional.soft_relu,paddle.nn.functional.activation.soft_relu
paddle.fluid.layers.soft_relu paddle.nn.functional.soft_relu paddle.fluid.layers.pixel_shuffle paddle.nn.functional.pixel_shuffle,paddle.nn.functional.vision.pixel_shuffle
paddle.fluid.layers.reciprocal paddle.tensor.math.reciprocal paddle.tensor.creation.full paddle.full,paddle.tensor.full
paddle.fluid.layers.pixel_shuffle paddle.nn.functional.vision.pixel_shuffle paddle.fluid.layers.erf paddle.tensor.math.erf,paddle.nn.functional.erf,paddle.nn.functional.activation.erf
paddle.tensor.math.mm paddle.mm paddle.tensor.math.abs paddle.abs,paddle.tensor.abs
paddle.fluid.layers.mean paddle.mean paddle.fluid.layers.similarity_focus paddle.nn.functional.similarity_focus,paddle.nn.functional.extension.similarity_focus
paddle.tensor.math.inverse paddle.tensor.inverse paddle.fluid.layers.rpn_target_assign paddle.nn.functional.rpn_target_assign,paddle.nn.functional.extension.rpn_target_assign
paddle.tensor.creation.full paddle.full paddle.tensor.math.elementwise_sub paddle.elementwise_sub,paddle.tensor.elementwise_sub
paddle.tensor.manipulation.flip paddle.tensor.reverse
paddle.fluid.layers.erf paddle.nn.functional.activation.erf
paddle.tensor.math.abs paddle.abs
paddle.fluid.layers.unique_with_counts paddle.unique_with_counts
paddle.fluid.layers.similarity_focus paddle.nn.functional.similarity_focus
paddle.fluid.layers.rpn_target_assign paddle.nn.functional.rpn_target_assign
paddle.tensor.math.increment paddle.tensor.increment
paddle.fluid.layers.hash paddle.nn.functional.lod.hash
paddle.tensor.math.elementwise_sub paddle.elementwise_sub
paddle.fluid.layers.create_tensor paddle.tensor.create_tensor
paddle.nn.functional.conv.conv2d paddle.nn.functional.conv2d paddle.nn.functional.conv.conv2d paddle.nn.functional.conv2d
paddle.tensor.linalg.cholesky paddle.cholesky paddle.nn.layer.activation.HSigmoid paddle.nn.HSigmoid,paddle.nn.layer.HSigmoid
paddle.fluid.layers.case paddle.nn.control_flow.case paddle.fluid.layers.roi_align paddle.nn.functional.roi_align,paddle.nn.functional.vision.roi_align
paddle.fluid.layers.bipartite_match paddle.nn.functional.vision.bipartite_match paddle.tensor.math.logsumexp paddle.logsumexp,paddle.tensor.logsumexp
paddle.framework.ParamAttr paddle.ParamAttr paddle.fluid.layers.affine_grid paddle.nn.functional.affine_grid,paddle.nn.functional.vision.affine_grid
paddle.nn.layer.activation.HSigmoid paddle.nn.HSigmoid paddle.nn.layer.activation.Sigmoid paddle.nn.Sigmoid,paddle.nn.layer.Sigmoid
paddle.tensor.math.square paddle.square paddle.nn.layer.loss.NLLLoss paddle.nn.NLLLoss,paddle.nn.layer.NLLLoss
paddle.fluid.layers.roi_align paddle.nn.functional.roi_align paddle.nn.layer.loss.MSELoss paddle.nn.MSELoss,paddle.nn.layer.MSELoss
paddle.tensor.math.logsumexp paddle.logsumexp paddle.nn.layer.loss.BCELoss paddle.nn.BCELoss,paddle.nn.layer.BCELoss
paddle.fluid.layers.expand paddle.expand paddle.fluid.layers.unique paddle.unique,paddle.tensor.unique,paddle.tensor.manipulation.unique
paddle.tensor.math.exp paddle.tensor.exp paddle.fluid.layers.teacher_student_sigmoid_loss paddle.nn.functional.teacher_student_sigmoid_loss,paddle.nn.functional.loss.teacher_student_sigmoid_loss
paddle.fluid.layers.elu paddle.nn.functional.elu
paddle.fluid.layers.cast paddle.cast
paddle.fluid.layers.beam_search paddle.nn.decode.beam_search
paddle.fluid.layers.affine_grid paddle.nn.functional.affine_grid
paddle.nn.layer.activation.Sigmoid paddle.nn.Sigmoid
paddle.nn.layer.loss.NLLLoss paddle.nn.layer.NLLLoss
paddle.nn.layer.loss.MSELoss paddle.nn.layer.MSELoss
paddle.nn.layer.loss.BCELoss paddle.nn.layer.BCELoss
paddle.tensor.manipulation.unsqueeze paddle.unsqueeze
paddle.fluid.layers.unique paddle.unique
paddle.fluid.layers.teacher_student_sigmoid_loss paddle.nn.functional.loss.teacher_student_sigmoid_loss
paddle.fluid.layers.sums paddle.tensor.math.sums paddle.fluid.layers.sums paddle.tensor.math.sums
paddle.tensor.math.stanh paddle.stanh paddle.fluid.layers.inverse_time_decay paddle.nn.functional.inverse_time_decay,paddle.nn.functional.learning_rate.inverse_time_decay
paddle.fluid.layers.inverse_time_decay paddle.nn.functional.inverse_time_decay paddle.fluid.layers.expand_as paddle.expand_as,paddle.tensor.expand_as,paddle.tensor.manipulation.expand_as
paddle.fluid.layers.expand_as paddle.expand_as paddle.fluid.layers.create_parameter paddle.static.nn.create_parameter
paddle.framework.default_startup_program paddle.default_startup_program paddle.fluid.layers.tensor.create_parameter paddle.create_parameter,paddle.framework.create_parameter
paddle.fluid.layers.crop_tensor paddle.tensor.crop_tensor paddle.nn.layer.loss.L1Loss paddle.nn.L1Loss,paddle.nn.layer.L1Loss
paddle.nn.layer.loss.L1Loss paddle.nn.layer.L1Loss paddle.fluid.layers.square_error_cost paddle.nn.functional.square_error_cost,paddle.nn.functional.loss.square_error_cost
paddle.fluid.clip.GradientClipByValue paddle.nn.clip.GradientClipByValue paddle.fluid.layers.spectral_norm paddle.static.nn.spectral_norm
paddle.tensor.math.tanh paddle.tanh paddle.fluid.layers.natural_exp_decay paddle.nn.functional.natural_exp_decay,paddle.nn.functional.learning_rate.natural_exp_decay
paddle.fluid.layers.square_error_cost paddle.nn.functional.loss.square_error_cost paddle.fluid.layers.instance_norm paddle.static.nn.instance_norm
paddle.framework.py_func paddle.py_func paddle.fluid.layers.exponential_decay paddle.nn.functional.exponential_decay,paddle.nn.functional.learning_rate.exponential_decay
paddle.fluid.layers.pad paddle.nn.functional.common.pad
paddle.fluid.layers.natural_exp_decay paddle.nn.functional.natural_exp_decay
paddle.tensor.math.kron paddle.tensor.kron
paddle.fluid.layers.is_empty paddle.tensor.is_empty
paddle.fluid.layers.exponential_decay paddle.nn.functional.exponential_decay
paddle.fluid.layers.elementwise_floordiv paddle.tensor.math.elementwise_floordiv paddle.fluid.layers.elementwise_floordiv paddle.tensor.math.elementwise_floordiv
paddle.nn.layer.conv paddle.nn.conv paddle.nn.layer.conv paddle.nn.conv
paddle.fluid.layers.brelu paddle.nn.functional.brelu paddle.fluid.layers.brelu paddle.nn.functional.brelu,paddle.nn.functional.activation.brelu
paddle.fluid.layers.box_clip paddle.nn.functional.vision.box_clip paddle.fluid.compiler.CompiledProgram paddle.static.CompiledProgram
paddle.fluid.layers.add_position_encoding paddle.nn.functional.extension.add_position_encoding paddle.fluid.layers.target_assign paddle.nn.functional.target_assign,paddle.nn.functional.extension.target_assign
paddle.fluid.layers.target_assign paddle.nn.functional.target_assign paddle.fluid.layers.strided_slice paddle.strided_slice,paddle.tensor.strided_slice,paddle.tensor.manipulation.strided_slice
paddle.fluid.layers.strided_slice paddle.tensor.manipulation.strided_slice
paddle.tensor.manipulation.squeeze paddle.squeeze
paddle.nn.functional.activation.relu paddle.nn.functional.relu paddle.nn.functional.activation.relu paddle.nn.functional.relu
paddle.fluid.layers.polynomial_decay paddle.nn.functional.polynomial_decay paddle.fluid.layers.polynomial_decay paddle.nn.functional.polynomial_decay,paddle.nn.functional.learning_rate.polynomial_decay
paddle.framework.random.manual_seed paddle.manual_seed paddle.fluid.dygraph.checkpoint.load_dygraph paddle.load,paddle.framework.load
paddle.fluid.io.load paddle.tensor.io.load paddle.fluid.io.load paddle.tensor.load,paddle.static.load,paddle.tensor.io.load
paddle.fluid.layers.label_smooth paddle.nn.functional.label_smooth paddle.fluid.layers.conv2d paddle.static.nn.conv2d
paddle.fluid.layers.hash paddle.nn.functional.hash paddle.fluid.layers.assign paddle.nn.functional.assign,paddle.nn.functional.common.assign
paddle.fluid.layers.assign paddle.nn.functional.common.assign
paddle.fluid.layers.acos paddle.tensor.math.acos paddle.fluid.layers.acos paddle.tensor.math.acos
paddle.nn.layer.conv.Conv3D paddle.nn.layer.Conv3D paddle.fluid.layers.selu paddle.nn.functional.selu,paddle.nn.functional.activation.selu
paddle.fluid.dygraph.BilinearTensorProduct paddle.nn.layer.BilinearTensorProduct paddle.fluid.layers.piecewise_decay paddle.nn.functional.piecewise_decay,paddle.nn.functional.learning_rate.piecewise_decay
paddle.fluid.layers.selu paddle.nn.functional.selu paddle.fluid.layers.iou_similarity paddle.nn.functional.iou_similarity,paddle.nn.functional.loss.iou_similarity
paddle.tensor.random.rand paddle.rand
paddle.fluid.layers.piecewise_decay paddle.nn.functional.piecewise_decay
paddle.fluid.layers.iou_similarity paddle.nn.functional.loss.iou_similarity
paddle.fluid.layers.increment paddle.tensor.math.increment paddle.fluid.layers.increment paddle.tensor.math.increment
paddle.fluid.layers.hard_swish paddle.nn.functional.hard_swish paddle.fluid.layers.hard_swish paddle.nn.functional.hard_swish,paddle.nn.functional.activation.hard_swish
paddle.fluid.layers.elementwise_add paddle.tensor.math.elementwise_add paddle.fluid.layers.elementwise_add paddle.tensor.math.elementwise_add
paddle.framework.default_main_program paddle.default_main_program paddle.tensor.math.cumsum paddle.cumsum,paddle.tensor.cumsum
paddle.tensor.math.cumsum paddle.tensor.cumsum
paddle.fluid.layers.cos paddle.tensor.math.cos paddle.fluid.layers.cos paddle.tensor.math.cos
paddle.tensor.math.add paddle.tensor.add paddle.fluid.layers.layer_norm paddle.static.nn.layer_norm
paddle.fluid.layers.unfold paddle.nn.functional.common.unfold paddle.fluid.layers.group_norm paddle.static.nn.group_norm
paddle.fluid.layers.switch_case paddle.nn.switch_case paddle.fluid.layers.clip_by_norm paddle.nn.clip_by_norm,paddle.nn.clip.clip_by_norm
paddle.tensor.math.round paddle.tensor.round paddle.fluid.layers.batch_norm paddle.static.nn.batch_norm
paddle.fluid.layers.pixel_shuffle paddle.nn.functional.pixel_shuffle paddle.tensor.math.asin paddle.asin,paddle.tensor.asin
paddle.tensor.math.inverse paddle.inverse paddle.fluid.layers.prelu paddle.static.nn.prelu
paddle.tensor.manipulation.flip paddle.reverse paddle.fluid.layers.data_norm paddle.static.nn.data_norm
paddle.fluid.layers.clip_by_norm paddle.nn.clip.clip_by_norm paddle.fluid.layers.logical_not paddle.logical_not,paddle.tensor.logical_not,paddle.tensor.logic.logical_not
paddle.tensor.math.asin paddle.tensor.asin
paddle.fluid.layers.teacher_student_sigmoid_loss paddle.nn.functional.teacher_student_sigmoid_loss
paddle.tensor.random.randperm paddle.tensor.randperm
paddle.tensor.random.randn paddle.tensor.randn
paddle.tensor.math.multiply paddle.tensor.multiply
paddle.fluid.layers.multiclass_nms paddle.nn.functional.multiclass_nms
paddle.fluid.io.load paddle.tensor.load
paddle.tensor.math.increment paddle.increment
paddle.fluid.layers.create_tensor paddle.create_tensor
paddle.fluid.layers.bipartite_match paddle.nn.functional.bipartite_match
paddle.nn.layer.loss.NLLLoss paddle.nn.NLLLoss
paddle.nn.layer.loss.MSELoss paddle.nn.MSELoss
paddle.fluid.clip.GradientClipByValue paddle.nn.GradientClipByValue
paddle.nn.layer.loss.BCELoss paddle.nn.BCELoss
paddle.fluid.layers.square_error_cost paddle.nn.functional.square_error_cost
paddle.fluid.layers.softplus paddle.nn.functional.softplus
paddle.fluid.layers.logical_not paddle.tensor.logic.logical_not
paddle.tensor.math.exp paddle.exp
paddle.fluid.layers.elementwise_sub paddle.tensor.math.elementwise_sub paddle.fluid.layers.elementwise_sub paddle.tensor.math.elementwise_sub
paddle.tensor.math.elementwise_div paddle.tensor.elementwise_div paddle.tensor.math.elementwise_div paddle.elementwise_div,paddle.tensor.elementwise_div
paddle.fluid.layers.elementwise_div paddle.tensor.math.elementwise_div paddle.fluid.layers.elementwise_div paddle.tensor.math.elementwise_div
paddle.fluid.layers.cosine_decay paddle.nn.functional.cosine_decay paddle.fluid.layers.cosine_decay paddle.nn.functional.cosine_decay,paddle.nn.functional.learning_rate.cosine_decay
paddle.fluid.layers.cond paddle.nn.control_flow.cond paddle.fluid.layers.cond paddle.nn.cond,paddle.nn.control_flow.cond
paddle.fluid.layers.beam_search paddle.nn.beam_search paddle.fluid.dygraph.learning_rate_scheduler.InverseTimeDecay paddle.InverseTimeDecay,paddle.framework.InverseTimeDecay
paddle.nn.layer.loss.L1Loss paddle.nn.L1Loss paddle.fluid.dygraph.learning_rate_scheduler.ExponentialDecay paddle.ExponentialDecay,paddle.framework.ExponentialDecay
paddle.fluid.layers.temporal_shift paddle.nn.functional.extension.temporal_shift paddle.fluid.layers.softsign paddle.nn.functional.softsign,paddle.nn.functional.activation.softsign
paddle.tensor.math.sum paddle.tensor.sum paddle.tensor.linalg.histogram paddle.histogram,paddle.tensor.histogram
paddle.fluid.layers.softsign paddle.nn.functional.softsign paddle.framework.__init__.paddle.fluid.core paddle.framework.core
paddle.tensor.linalg.histogram paddle.tensor.histogram paddle.fluid.dygraph.learning_rate_scheduler.PolynomialDecay paddle.PolynomialDecay,paddle.framework.PolynomialDecay
paddle.fluid.layers.diag paddle.tensor.creation.diag paddle.fluid.dygraph.learning_rate_scheduler.NaturalExpDecay paddle.NaturalExpDecay,paddle.framework.NaturalExpDecay
paddle.fluid.layers.crop_tensor paddle.crop_tensor paddle.fluid.layers.smooth_l1 paddle.nn.functional.smooth_l1,paddle.nn.functional.loss.smooth_l1
paddle.fluid.layers.beam_search_decode paddle.nn.decode.beam_search_decode paddle.fluid.layers.reduce_any paddle.reduce_any,paddle.tensor.reduce_any,paddle.tensor.logic.reduce_any
paddle.fluid.layers.adaptive_pool3d paddle.nn.functional.pooling.adaptive_pool3d paddle.fluid.layers.noam_decay paddle.nn.functional.noam_decay,paddle.nn.functional.learning_rate.noam_decay
paddle.tensor.search.where paddle.tensor.where paddle.fluid.dygraph.jit.load paddle.jit.load
paddle.fluid.layers.swish paddle.nn.functional.swish paddle.tensor.search.argsort paddle.argsort,paddle.tensor.argsort
paddle.fluid.layers.smooth_l1 paddle.nn.functional.loss.smooth_l1 paddle.fluid.dygraph.learning_rate_scheduler.PiecewiseDecay paddle.PiecewiseDecay,paddle.framework.PiecewiseDecay
paddle.fluid.layers.reduce_any paddle.tensor.logic.reduce_any paddle.tensor.creation.triu paddle.triu,paddle.tensor.triu
paddle.fluid.layers.pad paddle.nn.functional.pad paddle.tensor.creation.meshgrid paddle.meshgrid,paddle.tensor.meshgrid
paddle.fluid.layers.noam_decay paddle.nn.functional.noam_decay paddle.fluid.framework.Program paddle.static.Program
paddle.tensor.math.kron paddle.kron paddle.tensor.creation.zeros_like paddle.zeros_like,paddle.tensor.zeros_like
paddle.fluid.layers.is_empty paddle.is_empty paddle.fluid.layers.slice paddle.slice,paddle.tensor.slice,paddle.tensor.manipulation.slice
paddle.fluid.layers.iou_similarity paddle.nn.functional.iou_similarity paddle.fluid.layers.sigmoid_focal_loss paddle.nn.functional.sigmoid_focal_loss,paddle.nn.functional.loss.sigmoid_focal_loss
paddle.tensor.manipulation.gather paddle.tensor.gather paddle.fluid.io.shuffle paddle.shuffle,paddle.tensor.shuffle,paddle.tensor.random.shuffle
paddle.fluid.layers.erf paddle.nn.functional.erf paddle.tensor.math.clamp paddle.clamp,paddle.tensor.clamp
paddle.fluid.layers.box_clip paddle.nn.functional.box_clip paddle.tensor.search.sort paddle.sort,paddle.tensor.sort
paddle.tensor.search.argsort paddle.tensor.argsort
paddle.nn.layer.conv.Conv3D paddle.nn.Conv3D
paddle.framework.CompiledProgram paddle.CompiledProgram
paddle.fluid.dygraph.BilinearTensorProduct paddle.nn.BilinearTensorProduct
paddle.tensor.creation.triu paddle.tensor.triu
paddle.tensor.math.reduce_prod paddle.tensor.reduce_prod
paddle.tensor.creation.meshgrid paddle.tensor.meshgrid
paddle.fluid.layers.clip_by_norm paddle.nn.clip_by_norm
paddle.fluid.layers.assign paddle.nn.functional.assign
paddle.tensor.math.acos paddle.tensor.acos
paddle.fluid.initializer.Xavier paddle.nn.initializer.Xavier
paddle.tensor.creation.zeros_like paddle.tensor.zeros_like
paddle.fluid.layers.slice paddle.tensor.manipulation.slice
paddle.fluid.layers.sigmoid_focal_loss paddle.nn.functional.loss.sigmoid_focal_loss
paddle.fluid.io.shuffle paddle.tensor.random.shuffle
paddle.fluid.layers.linear_lr_warmup paddle.nn.functional.linear_lr_warmup
paddle.tensor.logic.greater_than paddle.tensor.greater_than
paddle.tensor.math.cumsum paddle.cumsum
paddle.framework.create_parameter paddle.create_parameter
paddle.tensor.math.clamp paddle.tensor.clamp
paddle.tensor.math.add paddle.add
paddle.fluid.layers.unfold paddle.nn.functional.unfold
paddle.tensor.search.sort paddle.tensor.sort
paddle.fluid.layers.rsqrt paddle.tensor.math.rsqrt paddle.fluid.layers.rsqrt paddle.tensor.math.rsqrt
paddle.tensor.math.round paddle.round paddle.tensor.creation.ones_like paddle.ones_like,paddle.tensor.ones_like
paddle.fluid.layers.resize_nearest paddle.nn.functional.vision.resize_nearest paddle.tensor.creation.full_like paddle.full_like,paddle.tensor.full_like
paddle.tensor.creation.ones_like paddle.tensor.ones_like paddle.fluid.layers.tensor.create_global_var paddle.create_global_var,paddle.framework.create_global_var
paddle.framework.global_scope paddle.global_scope paddle.fluid.dygraph.learning_rate_scheduler.CosineDecay paddle.CosineDecay,paddle.framework.CosineDecay
paddle.tensor.creation.full_like paddle.tensor.full_like paddle.fluid.layers.sqrt paddle.tensor.math.sqrt
paddle.tensor.math.elementwise_max paddle.tensor.elementwise_max paddle.fluid.layers.continuous_value_model paddle.nn.functional.continuous_value_model,paddle.nn.functional.extension.continuous_value_model
paddle.fluid.layers.deformable_roi_pooling paddle.nn.functional.vision.deformable_roi_pooling paddle.tensor.linalg.norm paddle.norm,paddle.tensor.norm
paddle.fluid.layers.ceil paddle.tensor.math.ceil paddle.fluid.dygraph.learning_rate_scheduler.NoamDecay paddle.NoamDecay,paddle.framework.NoamDecay
paddle.fluid.layers.case paddle.nn.case paddle.fluid.layers.shard_index paddle.shard_index,paddle.tensor.shard_index,paddle.tensor.manipulation.shard_index
paddle.tensor.math.asin paddle.asin paddle.fluid.layers.scatter paddle.scatter,paddle.tensor.scatter,paddle.tensor.manipulation.scatter
paddle.fluid.layers.add_position_encoding paddle.nn.functional.add_position_encoding paddle.nn.functional.loss.margin_ranking_loss paddle.nn.functional.margin_ranking_loss
paddle.fluid.layers.retinanet_detection_output paddle.nn.functional.vision.retinanet_detection_output
paddle.tensor.random.randperm paddle.randperm
paddle.tensor.random.randn paddle.randn
paddle.tensor.math.multiply paddle.multiply
paddle.fluid.layers.margin_rank_loss paddle.nn.functional.loss.margin_rank_loss
paddle.fluid.layers.logical_not paddle.tensor.logical_not
paddle.fluid.io.load paddle.load
paddle.fluid.layers.grid_sampler paddle.nn.functional.vision.grid_sampler
paddle.fluid.layers.elementwise_mul paddle.tensor.math.elementwise_mul
paddle.fluid.layers.elementwise_max paddle.tensor.math.elementwise_max
paddle.fluid.layers.continuous_value_model paddle.nn.functional.extension.continuous_value_model
paddle.fluid.layers.smooth_l1 paddle.nn.functional.smooth_l1
paddle.tensor.linalg.norm paddle.tensor.norm
paddle.framework.name_scope paddle.name_scope
paddle.tensor.logic.less_than paddle.tensor.less_than
paddle.fluid.layers.l2_normalize paddle.nn.functional.norm.l2_normalize
paddle.tensor.math.elementwise_min paddle.tensor.elementwise_min
paddle.tensor.math.elementwise_div paddle.elementwise_div
paddle.tensor.math.sum paddle.sum
paddle.fluid.layers.shard_index paddle.tensor.manipulation.shard_index
paddle.fluid.layers.scatter paddle.tensor.manipulation.scatter
paddle.fluid.layers.reduce_any paddle.tensor.reduce_any
paddle.tensor.search.nonzero paddle.tensor.nonzero
paddle.fluid.layers.logical_xor paddle.tensor.logic.logical_xor
paddle.tensor.linalg.histogram paddle.histogram
paddle.fluid.layers.elementwise_mod paddle.tensor.math.elementwise_mod paddle.fluid.layers.elementwise_mod paddle.tensor.math.elementwise_mod
paddle.fluid.layers.elementwise_min paddle.tensor.math.elementwise_min paddle.fluid.layers.yolov3_loss paddle.nn.functional.yolov3_loss,paddle.nn.functional.vision.yolov3_loss
paddle.fluid.layers.distribute_fpn_proposals paddle.nn.functional.vision.distribute_fpn_proposals paddle.fluid.dygraph.base.no_grad paddle.no_grad,paddle.framework.no_grad
paddle.fluid.layers.beam_search_decode paddle.nn.beam_search_decode paddle.fluid.layers.filter_by_instag paddle.nn.functional.filter_by_instag,paddle.nn.functional.extension.filter_by_instag
paddle.fluid.layers.yolov3_loss paddle.nn.functional.vision.yolov3_loss paddle.tensor.math.erf paddle.erf,paddle.tensor.erf
paddle.tensor.search.where paddle.where
paddle.fluid.layers.strided_slice paddle.tensor.strided_slice
paddle.fluid.layers.sigmoid_focal_loss paddle.nn.functional.sigmoid_focal_loss
paddle.tensor.manipulation.gather paddle.gather
paddle.fluid.layers.filter_by_instag paddle.nn.functional.extension.filter_by_instag
paddle.tensor.math.erf paddle.tensor.erf
paddle.tensor.search.argsort paddle.argsort
paddle.tensor.math.addcmul paddle.tensor.addcmul
paddle.fluid.layers.adaptive_pool3d paddle.nn.functional.adaptive_pool3d
paddle.tensor.creation.triu paddle.triu
paddle.fluid.layers.topk paddle.tensor.search.topk
paddle.tensor.math.reduce_prod paddle.reduce_prod
paddle.tensor.math.reduce_max paddle.tensor.reduce_max
paddle.fluid.layers.pool3d paddle.nn.functional.pooling.pool3d
paddle.tensor.creation.meshgrid paddle.meshgrid
paddle.fluid.layers.diag paddle.tensor.diag
paddle.tensor.math.acos paddle.acos
paddle.framework.Program paddle.Program
paddle.framework.ParallelExecutor paddle.ParallelExecutor
paddle.tensor.creation.zeros_like paddle.zeros_like
paddle.fluid.layers.temporal_shift paddle.nn.functional.temporal_shift
paddle.fluid.io.shuffle paddle.tensor.shuffle
paddle.fluid.layers.reduce_max paddle.tensor.math.reduce_max paddle.fluid.layers.reduce_max paddle.tensor.math.reduce_max
paddle.fluid.layers.margin_rank_loss paddle.nn.functional.margin_rank_loss paddle.tensor.math.elementwise_mod paddle.elementwise_mod,paddle.tensor.elementwise_mod
paddle.tensor.logic.greater_than paddle.greater_than paddle.fluid.layers.center_loss paddle.nn.functional.center_loss,paddle.nn.functional.loss.center_loss
paddle.tensor.math.elementwise_mod paddle.tensor.elementwise_mod paddle.tensor.creation.tril paddle.tril,paddle.tensor.tril
paddle.fluid.layers.collect_fpn_proposals paddle.nn.functional.vision.collect_fpn_proposals paddle.tensor.math.sign paddle.sign,paddle.tensor.sign
paddle.tensor.math.clamp paddle.clamp
paddle.fluid.layers.center_loss paddle.nn.functional.loss.center_loss
paddle.fluid.layers.atan paddle.tensor.math.atan
paddle.fluid.layers.unstack paddle.tensor.manipulation.unstack
paddle.tensor.creation.tril paddle.tensor.tril
paddle.tensor.search.sort paddle.sort
paddle.tensor.math.sin paddle.tensor.sin
paddle.tensor.math.sign paddle.tensor.sign
paddle.fluid.layers.resize_nearest paddle.nn.functional.resize_nearest
paddle.fluid.layers.reduce_prod paddle.tensor.math.reduce_prod paddle.fluid.layers.reduce_prod paddle.tensor.math.reduce_prod
paddle.tensor.math.reduce_min paddle.tensor.reduce_min paddle.fluid.layers.npair_loss paddle.nn.functional.npair_loss,paddle.nn.functional.loss.npair_loss
paddle.tensor.creation.ones_like paddle.ones_like paddle.fluid.layers.kldiv_loss paddle.nn.functional.kldiv_loss,paddle.nn.functional.loss.kldiv_loss
paddle.fluid.layers.npair_loss paddle.nn.functional.loss.npair_loss paddle.fluid.layers.huber_loss paddle.nn.functional.huber_loss,paddle.nn.functional.loss.huber_loss
paddle.fluid.layers.l2_normalize paddle.nn.functional.l2_normalize paddle.fluid.dygraph.base.grad paddle.grad,paddle.framework.grad
paddle.fluid.layers.kldiv_loss paddle.nn.functional.loss.kldiv_loss paddle.fluid.layers.rank_loss paddle.nn.functional.rank_loss,paddle.nn.functional.loss.rank_loss
paddle.fluid.layers.image_resize paddle.nn.functional.vision.image_resize paddle.fluid.layers.gather_tree paddle.nn.gather_tree,paddle.nn.decode.gather_tree
paddle.fluid.layers.huber_loss paddle.nn.functional.loss.huber_loss paddle.fluid.dygraph.base.enable_dygraph paddle.disable_static
paddle.tensor.creation.full_like paddle.full_like paddle.tensor.math.elementwise_pow paddle.elementwise_pow,paddle.tensor.elementwise_pow
paddle.fluid.layers.flatten paddle.tensor.manipulation.flatten
paddle.tensor.math.elementwise_max paddle.elementwise_max
paddle.fluid.layers.deformable_roi_pooling paddle.nn.functional.deformable_roi_pooling
paddle.fluid.layers.clip paddle.nn.clip.clip
paddle.fluid.layers.retinanet_detection_output paddle.nn.functional.retinanet_detection_output
paddle.fluid.layers.reduce_min paddle.tensor.math.reduce_min
paddle.fluid.layers.rank_loss paddle.nn.functional.loss.rank_loss
paddle.tensor.random.randint paddle.tensor.randint
paddle.fluid.layers.logical_not paddle.logical_not
paddle.fluid.layers.grid_sampler paddle.nn.functional.grid_sampler
paddle.fluid.layers.gather_tree paddle.nn.decode.gather_tree
paddle.tensor.math.elementwise_pow paddle.tensor.elementwise_pow
paddle.fluid.layers.elementwise_pow paddle.tensor.math.elementwise_pow paddle.fluid.layers.elementwise_pow paddle.tensor.math.elementwise_pow
paddle.fluid.layers.dice_loss paddle.nn.functional.loss.dice_loss paddle.fluid.layers.dice_loss paddle.nn.functional.dice_loss,paddle.nn.functional.loss.dice_loss
paddle.fluid.layers.cond paddle.nn.cond paddle.tensor.math.atan paddle.atan,paddle.tensor.atan
paddle.tensor.math.atan paddle.tensor.atan paddle.fluid.layers.ssd_loss paddle.nn.functional.ssd_loss,paddle.nn.functional.loss.ssd_loss
paddle.fluid.layers.tanh_shrink paddle.nn.functional.activation.tanh_shrink paddle.fluid.layers.mse_loss paddle.nn.functional.mse_loss,paddle.nn.functional.loss.mse_loss
paddle.fluid.layers.ssd_loss paddle.nn.functional.loss.ssd_loss paddle.fluid.layers.log_loss paddle.nn.functional.log_loss,paddle.nn.functional.loss.log_loss
paddle.tensor.linalg.norm paddle.norm paddle.tensor.math.elementwise_floordiv paddle.elementwise_floordiv,paddle.tensor.elementwise_floordiv
paddle.fluid.layers.mse_loss paddle.nn.functional.loss.mse_loss paddle.fluid.dygraph.base.disable_dygraph paddle.enable_static
paddle.fluid.layers.logical_xor paddle.tensor.logical_xor paddle.fluid.dygraph.jit.declarative paddle.jit.to_static
paddle.fluid.layers.log_loss paddle.nn.functional.loss.log_loss paddle.fluid.layers.bpr_loss paddle.nn.functional.bpr_loss,paddle.nn.functional.loss.bpr_loss
paddle.tensor.logic.less_than paddle.less_than
paddle.fluid.layers.hard_shrink paddle.nn.functional.activation.hard_shrink
paddle.fluid.layers.generate_proposals paddle.nn.functional.vision.generate_proposals
paddle.tensor.math.elementwise_min paddle.elementwise_min
paddle.tensor.math.elementwise_floordiv paddle.tensor.elementwise_floordiv
paddle.fluid.layers.dropout paddle.nn.functional.common.dropout
paddle.fluid.layers.bpr_loss paddle.nn.functional.loss.bpr_loss
paddle.fluid.layers.softshrink paddle.nn.functional.activation.softshrink
paddle.fluid.layers.reduce_any paddle.reduce_any
paddle.tensor.search.nonzero paddle.nonzero
paddle.fluid.layers.has_inf paddle.tensor.search.has_inf
paddle.fluid.layers.distribute_fpn_proposals paddle.nn.functional.distribute_fpn_proposals
paddle.framework.create_global_var paddle.create_global_var
paddle.fluid.dygraph.Embedding paddle.nn.layer.common.Embedding
paddle.fluid.layers.yolov3_loss paddle.nn.functional.yolov3_loss
paddle.fluid.layers.strided_slice paddle.strided_slice
paddle.fluid.layers.softmax paddle.nn.functional.activation.softmax
paddle.fluid.layers.multiplex paddle.tensor.math.multiplex paddle.fluid.layers.multiplex paddle.tensor.math.multiplex
paddle.tensor.manipulation.flip paddle.tensor.flip paddle.fluid.layers.box_coder paddle.nn.functional.box_coder,paddle.nn.functional.vision.box_coder
paddle.tensor.math.erf paddle.erf paddle.fluid.dygraph.Flatten paddle.nn.Flatten,paddle.nn.layer.Flatten,paddle.nn.layer.common.Flatten
paddle.fluid.layers.detection_output paddle.nn.functional.vision.detection_output
paddle.fluid.layers.continuous_value_model paddle.nn.functional.continuous_value_model
paddle.fluid.layers.center_loss paddle.nn.functional.center_loss
paddle.fluid.layers.box_coder paddle.nn.functional.vision.box_coder
paddle.tensor.math.addcmul paddle.addcmul
paddle.fluid.layers.topk paddle.tensor.topk
paddle.fluid.layers.slice paddle.tensor.slice
paddle.fluid.layers.sign paddle.tensor.math.sign
paddle.fluid.layers.round paddle.tensor.math.round paddle.fluid.layers.round paddle.tensor.math.round
paddle.tensor.math.reduce_max paddle.reduce_max paddle.tensor.math.cos paddle.cos,paddle.tensor.cos
paddle.fluid.layers.reduce_all paddle.tensor.logic.reduce_all paddle.tensor.linalg.t paddle.t,paddle.tensor.t
paddle.fluid.layers.npair_loss paddle.nn.functional.npair_loss paddle.tensor.math.rsqrt paddle.rsqrt,paddle.tensor.rsqrt
paddle.tensor.math.multiplex paddle.tensor.multiplex paddle.tensor.math.sqrt paddle.sqrt,paddle.tensor.sqrt
paddle.fluid.layers.linspace paddle.tensor.creation.linspace paddle.fluid.layers.resize_trilinear paddle.nn.functional.resize_trilinear,paddle.nn.functional.vision.resize_trilinear
paddle.fluid.layers.kldiv_loss paddle.nn.functional.kldiv_loss paddle.nn.functional.loss.nll_loss paddle.nn.functional.nll_loss
paddle.fluid.layers.huber_loss paddle.nn.functional.huber_loss paddle.nn.layer.common.Pad2D paddle.nn.Pad2D,paddle.nn.layer.Pad2D
paddle.fluid.layers.diag paddle.diag paddle.fluid.layers.resize_bilinear paddle.nn.functional.resize_bilinear,paddle.nn.functional.vision.resize_bilinear
paddle.tensor.math.cos paddle.tensor.cos paddle.nn.functional.loss.l1_loss paddle.nn.functional.l1_loss
paddle.fluid.layers.clip paddle.nn.clip
paddle.fluid.layers.argmin paddle.tensor.search.argmin
paddle.fluid.dygraph.Pool2D paddle.nn.layer.common.Pool2D
paddle.tensor.linalg.t paddle.t
paddle.fluid.io.shuffle paddle.shuffle
paddle.tensor.math.rsqrt paddle.tensor.rsqrt
paddle.tensor.manipulation.roll paddle.tensor.roll
paddle.fluid.layers.reduce_sum paddle.tensor.math.reduce_sum
paddle.fluid.layers.rank_loss paddle.nn.functional.rank_loss
paddle.fluid.layers.pool3d paddle.nn.functional.pool3d
paddle.fluid.one_hot paddle.nn.functional.common.one_hot
paddle.tensor.math.elementwise_mod paddle.elementwise_mod
paddle.fluid.layers.dice_loss paddle.nn.functional.dice_loss
paddle.fluid.layers.collect_fpn_proposals paddle.nn.functional.collect_fpn_proposals
paddle.tensor.linalg.bmm paddle.tensor.bmm
paddle.nn.layer.extension.RowConv paddle.nn.layer.RowConv
paddle.fluid.clip.GradientClipByGlobalNorm paddle.nn.clip.GradientClipByGlobalNorm
paddle.framework.Executor paddle.Executor
paddle.tensor.creation.tril paddle.tril
paddle.fluid.layers.ssd_loss paddle.nn.functional.ssd_loss
paddle.tensor.math.sqrt paddle.tensor.sqrt
paddle.tensor.math.sin paddle.sin
paddle.tensor.math.sign paddle.sign
paddle.fluid.layers.resize_trilinear paddle.nn.functional.vision.resize_trilinear
paddle.tensor.math.reduce_min paddle.reduce_min
paddle.fluid.layers.mse_loss paddle.nn.functional.mse_loss
paddle.fluid.layers.maxout paddle.nn.functional.activation.maxout
paddle.fluid.layers.log_loss paddle.nn.functional.log_loss
paddle.tensor.search.index_sample paddle.tensor.index_sample
paddle.fluid.layers.image_resize paddle.nn.functional.image_resize
paddle.fluid.layers.generate_proposal_labels paddle.nn.functional.vision.generate_proposal_labels
paddle.fluid.layers.filter_by_instag paddle.nn.functional.filter_by_instag
paddle.fluid.layers.bpr_loss paddle.nn.functional.bpr_loss
paddle.fluid.layers.asin paddle.tensor.math.asin
paddle.fluid.dygraph.container.Sequential paddle.nn.Sequential
paddle.nn.layer.common.Pad2D paddle.nn.layer.Pad2D
paddle.fluid.layers.resize_bilinear paddle.nn.functional.vision.resize_bilinear
paddle.tensor.random.randint paddle.randint
paddle.fluid.layers.gather_tree paddle.nn.gather_tree
paddle.tensor.math.elementwise_pow paddle.elementwise_pow
paddle.nn.functional.extension.diag_embed paddle.nn.functional.diag_embed paddle.nn.functional.extension.diag_embed paddle.nn.functional.diag_embed
paddle.tensor.math.atan paddle.atan paddle.tensor.math.addmm paddle.addmm,paddle.tensor.addmm
paddle.tensor.math.addmm paddle.tensor.addmm paddle.tensor.math.sums paddle.sums,paddle.tensor.sums
paddle.tensor.math.sums paddle.tensor.sums paddle.fluid.layers.scatter_nd paddle.scatter_nd,paddle.tensor.scatter_nd,paddle.tensor.manipulation.scatter_nd
paddle.tensor.manipulation.split paddle.tensor.split paddle.fluid.layers.edit_distance paddle.nn.functional.edit_distance,paddle.nn.functional.loss.edit_distance
paddle.fluid.layers.shuffle_channel paddle.nn.functional.vision.shuffle_channel paddle.fluid.layers.while_loop paddle.nn.while_loop,paddle.nn.control_flow.while_loop
paddle.fluid.layers.shard_index paddle.tensor.shard_index
paddle.fluid.layers.scatter_nd paddle.tensor.manipulation.scatter_nd
paddle.fluid.layers.scatter paddle.tensor.scatter
paddle.fluid.layers.logical_xor paddle.logical_xor
paddle.fluid.framework.in_dygraph_mode paddle.in_imperative_mode
paddle.fluid.layers.generate_proposals paddle.nn.functional.generate_proposals
paddle.tensor.math.elementwise_floordiv paddle.elementwise_floordiv
paddle.fluid.layers.edit_distance paddle.nn.functional.loss.edit_distance
paddle.fluid.layers.dropout paddle.nn.functional.dropout
paddle.nn.layer.common.UpSample paddle.nn.layer.UpSample
paddle.fluid.layers.while_loop paddle.nn.control_flow.while_loop
paddle.fluid.layers.scatter_nd_add paddle.tensor.manipulation.scatter_nd_add
paddle.fluid.layers.scale paddle.tensor.math.scale paddle.fluid.layers.scale paddle.tensor.math.scale
paddle.fluid.layers.logical_and paddle.tensor.logic.logical_and paddle.fluid.layers.logical_and paddle.logical_and,paddle.tensor.logical_and,paddle.tensor.logic.logical_and
paddle.fluid.layers.has_inf paddle.tensor.has_inf paddle.fluid.layers.gather_nd paddle.gather_nd,paddle.tensor.gather_nd,paddle.tensor.manipulation.gather_nd
paddle.fluid.layers.gather_nd paddle.tensor.manipulation.gather_nd paddle.fluid.layers.fill_constant paddle.fill_constant,paddle.tensor.fill_constant,paddle.tensor.creation.fill_constant
paddle.fluid.layers.fill_constant paddle.tensor.creation.fill_constant paddle.fluid.layers.sampled_softmax_with_cross_entropy paddle.nn.functional.sampled_softmax_with_cross_entropy,paddle.nn.functional.loss.sampled_softmax_with_cross_entropy
paddle.fluid.layers.cumsum paddle.tensor.math.cumsum paddle.tensor.linalg.dot paddle.dot,paddle.tensor.dot
paddle.tensor.search.argmax paddle.tensor.argmax
paddle.fluid.layers.affine_channel paddle.nn.functional.vision.affine_channel
paddle.fluid.dygraph.Embedding paddle.nn.layer.Embedding
paddle.framework.CUDAPinnedPlace paddle.CUDAPinnedPlace
paddle.fluid.layers.sampled_softmax_with_cross_entropy paddle.nn.functional.loss.sampled_softmax_with_cross_entropy
paddle.fluid.layers.reduce_all paddle.tensor.reduce_all
paddle.nn.functional.activation.log_softmax paddle.nn.functional.log_softmax
paddle.fluid.layers.has_nan paddle.tensor.search.has_nan
paddle.fluid.layers.generate_mask_labels paddle.nn.functional.vision.generate_mask_labels
paddle.tensor.manipulation.flip paddle.flip
paddle.tensor.linalg.dot paddle.tensor.dot
paddle.fluid.layers.detection_output paddle.nn.functional.detection_output
paddle.nn.functional.conv.conv3d paddle.nn.functional.conv3d paddle.nn.functional.conv.conv3d paddle.nn.functional.conv3d
paddle.fluid.layers.box_coder paddle.nn.functional.box_coder paddle.fluid.layers.random_crop paddle.nn.functional.random_crop,paddle.nn.functional.extension.random_crop
paddle.fluid.clip.GradientClipByGlobalNorm paddle.nn.GradientClipByGlobalNorm paddle.fluid.layers.psroi_pool paddle.nn.functional.psroi_pool,paddle.nn.functional.vision.psroi_pool
paddle.fluid.layers.topk paddle.topk paddle.fluid.layers.prroi_pool paddle.nn.functional.prroi_pool,paddle.nn.functional.vision.prroi_pool
paddle.fluid.layers.slice paddle.slice paddle.fluid.layers.isfinite paddle.isfinite,paddle.tensor.isfinite,paddle.tensor.logic.isfinite
paddle.tensor.math.multiplex paddle.multiplex paddle.tensor.manipulation.flatten paddle.flatten,paddle.tensor.flatten
paddle.tensor.logic.equal_all paddle.tensor.equal_all paddle.fluid.layers.density_prior_box paddle.nn.functional.density_prior_box,paddle.nn.functional.vision.density_prior_box
paddle.tensor.math.cos paddle.cos
paddle.fluid.layers.argmin paddle.tensor.argmin
paddle.fluid.dygraph.SpectralNorm paddle.nn.layer.norm.SpectralNorm
paddle.nn.layer.extension.RowConv paddle.nn.RowConv
paddle.fluid.dygraph.Pool2D paddle.nn.layer.Pool2D
paddle.fluid.clip.GradientClipByNorm paddle.nn.clip.GradientClipByNorm
paddle.fluid.layers.unstack paddle.tensor.unstack
paddle.fluid.layers.tanh_shrink paddle.nn.functional.tanh_shrink
paddle.tensor.math.rsqrt paddle.rsqrt
paddle.tensor.manipulation.roll paddle.roll
paddle.fluid.layers.reshape paddle.tensor.manipulation.reshape
paddle.fluid.layers.random_crop paddle.nn.functional.extension.random_crop
paddle.fluid.layers.psroi_pool paddle.nn.functional.vision.psroi_pool
paddle.fluid.layers.prroi_pool paddle.nn.functional.vision.prroi_pool
paddle.fluid.one_hot paddle.nn.functional.one_hot
paddle.fluid.layers.isfinite paddle.tensor.logic.isfinite
paddle.fluid.layers.hard_shrink paddle.nn.functional.hard_shrink
paddle.fluid.layers.flatten paddle.tensor.flatten
paddle.tensor.linalg.bmm paddle.bmm
paddle.nn.layer.common.Pad2D paddle.nn.Pad2D
paddle.tensor.math.sqrt paddle.sqrt
paddle.fluid.layers.softshrink paddle.nn.functional.softshrink
paddle.fluid.layers.resize_trilinear paddle.nn.functional.resize_trilinear
paddle.fluid.layers.linspace paddle.tensor.linspace
paddle.tensor.search.index_sample paddle.index_sample
paddle.fluid.layers.generate_proposal_labels paddle.nn.functional.generate_proposal_labels
paddle.fluid.layers.edit_distance paddle.nn.functional.edit_distance
paddle.fluid.layers.density_prior_box paddle.nn.functional.vision.density_prior_box
paddle.tensor.manipulation.stack paddle.tensor.stack
paddle.fluid.layers.square paddle.tensor.math.square paddle.fluid.layers.square paddle.tensor.math.square
paddle.fluid.layers.softmax paddle.nn.functional.softmax paddle.fluid.layers.roi_pool paddle.nn.functional.roi_pool,paddle.nn.functional.vision.roi_pool
paddle.fluid.layers.roi_pool paddle.nn.functional.vision.roi_pool paddle.fluid.layers.conv3d paddle.static.nn.conv3d
paddle.fluid.layers.resize_bilinear paddle.nn.functional.resize_bilinear paddle.tensor.manipulation.concat paddle.concat,paddle.tensor.concat
paddle.tensor.linalg.matmul paddle.tensor.matmul paddle.nn.layer.distance.PairwiseDistance paddle.nn.PairwiseDistance,paddle.nn.layer.PairwiseDistance
paddle.nn.functional.common.interpolate paddle.nn.functional.interpolate paddle.nn.layer.activation.LeakyReLU paddle.nn.LeakyReLU,paddle.nn.layer.LeakyReLU
paddle.tensor.math.div paddle.tensor.div
paddle.tensor.manipulation.concat paddle.tensor.concat
paddle.tensor.math.addmm paddle.addmm
paddle.nn.layer.common.UpSample paddle.nn.UpSample
paddle.fluid.dygraph.LayerNorm paddle.nn.layer.norm.LayerNorm
paddle.fluid.dygraph.GroupNorm paddle.nn.layer.norm.GroupNorm
paddle.fluid.dygraph.BatchNorm paddle.nn.layer.norm.BatchNorm
paddle.tensor.manipulation.unbind paddle.tensor.unbind
paddle.tensor.math.sums paddle.sums
paddle.tensor.manipulation.split paddle.split
paddle.fluid.layers.shuffle_channel paddle.nn.functional.shuffle_channel
paddle.fluid.layers.shard_index paddle.shard_index
paddle.fluid.layers.scatter paddle.scatter
paddle.fluid.layers.sampled_softmax_with_cross_entropy paddle.nn.functional.sampled_softmax_with_cross_entropy
paddle.fluid.layers.roi_perspective_transform paddle.nn.functional.vision.roi_perspective_transform
paddle.fluid.layers.logical_and paddle.tensor.logical_and
paddle.tensor.math.log paddle.tensor.log
paddle.fluid.initializer.TruncatedNormal paddle.nn.initializer.TruncatedNormal
paddle.nn.layer.activation.LeakyReLU paddle.nn.layer.LeakyReLU
paddle.fluid.dygraph.Embedding paddle.nn.Embedding
paddle.fluid.initializer.Constant paddle.nn.initializer.Constant paddle.fluid.initializer.Constant paddle.nn.initializer.Constant
paddle.framework.CUDAPlace paddle.CUDAPlace paddle.tensor.logic.greater_equal paddle.greater_equal,paddle.tensor.greater_equal
paddle.tensor.linalg.t paddle.tensor.t
paddle.fluid.layers.polygon_box_transform paddle.nn.functional.extension.polygon_box_transform
paddle.fluid.layers.has_inf paddle.has_inf
paddle.tensor.logic.greater_equal paddle.tensor.greater_equal
paddle.nn.functional.conv.conv3d_transpose paddle.nn.functional.conv3d_transpose paddle.nn.functional.conv.conv3d_transpose paddle.nn.functional.conv3d_transpose
paddle.nn.functional.conv.conv2d_transpose paddle.nn.functional.conv2d_transpose paddle.nn.functional.conv.conv2d_transpose paddle.nn.functional.conv2d_transpose
paddle.tensor.search.argmax paddle.argmax paddle.nn.layer.conv.Conv2D paddle.nn.Conv2D,paddle.nn.layer.Conv2D
paddle.fluid.layers.affine_channel paddle.nn.functional.affine_channel paddle.fluid.layers.transpose paddle.transpose,paddle.tensor.transpose,paddle.tensor.linalg.transpose,paddle.tensor.manipulation.transpose
paddle.fluid.dygraph.SpectralNorm paddle.nn.layer.SpectralNorm paddle.fluid.layers.softmax_with_cross_entropy paddle.nn.functional.softmax_with_cross_entropy,paddle.nn.functional.loss.softmax_with_cross_entropy
paddle.nn.layer.activation.LogSoftmax paddle.nn.layer.LogSoftmax paddle.tensor.math.reciprocal paddle.reciprocal,paddle.tensor.reciprocal
paddle.nn.layer.norm.InstanceNorm paddle.nn.layer.InstanceNorm paddle.tensor.math.max paddle.max,paddle.tensor.max
paddle.fluid.clip.GradientClipByNorm paddle.nn.GradientClipByNorm paddle.tensor.logic.less_equal paddle.less_equal,paddle.tensor.less_equal
paddle.nn.layer.conv.Conv2D paddle.nn.layer.Conv2D paddle.tensor.math.cosh paddle.cosh,paddle.tensor.cosh
paddle.framework.CPUPlace paddle.CPUPlace paddle.tensor.math.ceil paddle.ceil,paddle.tensor.ceil
paddle.fluid.layers.transpose paddle.tensor.manipulation.transpose paddle.fluid.dygraph.io.TranslatedLayer paddle.jit.TranslatedLayer
paddle.fluid.layers.shape paddle.tensor.attribute.shape paddle.tensor.logic.not_equal paddle.not_equal,paddle.tensor.not_equal
paddle.fluid.layers.reduce_all paddle.reduce_all paddle.fluid.layers.conv3d_transpose paddle.static.nn.conv3d_transpose
paddle.fluid.layers.maxout paddle.nn.functional.maxout paddle.fluid.layers.conv2d_transpose paddle.static.nn.conv2d_transpose
paddle.fluid.layers.image_resize_short paddle.nn.functional.vision.image_resize_short paddle.fluid.layers.anchor_generator paddle.nn.functional.anchor_generator,paddle.nn.functional.vision.anchor_generator
paddle.fluid.layers.has_nan paddle.tensor.has_nan paddle.nn.layer.activation.ReLU paddle.nn.ReLU,paddle.nn.layer.ReLU
paddle.fluid.layers.hard_sigmoid paddle.nn.functional.activation.hard_sigmoid
paddle.fluid.layers.generate_mask_labels paddle.nn.functional.generate_mask_labels
paddle.tensor.linalg.dot paddle.dot
paddle.fluid.dygraph.Pool2D paddle.nn.Pool2D
paddle.tensor.math.trace paddle.tensor.trace
paddle.fluid.layers.softmax_with_cross_entropy paddle.nn.functional.loss.softmax_with_cross_entropy
paddle.fluid.layers.isfinite paddle.tensor.isfinite
paddle.tensor.search.index_select paddle.tensor.index_select
paddle.fluid.layers.fill_constant paddle.tensor.fill_constant
paddle.tensor.logic.equal_all paddle.equal_all
paddle.fluid.layers.argmin paddle.argmin
paddle.fluid.layers.unstack paddle.unstack
paddle.tensor.math.reciprocal paddle.tensor.reciprocal
paddle.fluid.layers.psroi_pool paddle.nn.functional.psroi_pool
paddle.fluid.layers.prroi_pool paddle.nn.functional.prroi_pool
paddle.tensor.math.max paddle.tensor.max
paddle.fluid.layers.logsigmoid paddle.nn.functional.activation.logsigmoid
paddle.tensor.logic.less_equal paddle.tensor.less_equal
paddle.fluid.layers.flatten paddle.flatten
paddle.fluid.dygraph.base.disable_dygraph paddle.disable_imperative
paddle.tensor.math.cosh paddle.tensor.cosh
paddle.tensor.math.ceil paddle.tensor.ceil
paddle.fluid.dygraph.LayerNorm paddle.nn.layer.LayerNorm
paddle.fluid.dygraph.GroupNorm paddle.nn.layer.GroupNorm
paddle.framework.ExecutionStrategy paddle.ExecutionStrategy
paddle.fluid.dygraph.BatchNorm paddle.nn.layer.BatchNorm
paddle.tensor.logic.not_equal paddle.tensor.not_equal
paddle.fluid.layers.linspace paddle.linspace
paddle.fluid.dygraph.base.enable_dygraph paddle.enable_imperative
paddle.fluid.layers.density_prior_box paddle.nn.functional.density_prior_box
paddle.fluid.layers.anchor_generator paddle.nn.functional.vision.anchor_generator
paddle.nn.layer.activation.ReLU paddle.nn.layer.ReLU
paddle.fluid.dygraph.container.ParameterList paddle.nn.ParameterList paddle.fluid.dygraph.container.ParameterList paddle.nn.ParameterList
paddle.fluid.initializer.Bilinear paddle.nn.initializer.Bilinear paddle.fluid.initializer.Bilinear paddle.nn.initializer.Bilinear
paddle.tensor.manipulation.stack paddle.stack paddle.fluid.layers.prior_box paddle.nn.functional.prior_box,paddle.nn.functional.vision.prior_box
paddle.fluid.layers.scatter_nd paddle.tensor.scatter_nd paddle.tensor.math.min paddle.min,paddle.tensor.min
paddle.fluid.layers.roi_pool paddle.nn.functional.roi_pool
paddle.fluid.layers.prior_box paddle.nn.functional.vision.prior_box
paddle.tensor.math.min paddle.tensor.min
paddle.tensor.linalg.matmul paddle.matmul
paddle.nn.layer.loss paddle.nn.loss paddle.nn.layer.loss paddle.nn.loss
paddle.tensor.math.floor paddle.tensor.floor paddle.tensor.math.floor paddle.floor,paddle.tensor.floor
paddle.tensor.math.elementwise_add paddle.tensor.elementwise_add paddle.fluid.layers.adaptive_pool2d paddle.nn.functional.adaptive_pool2d,paddle.nn.functional.pooling.adaptive_pool2d
paddle.tensor.math.div paddle.div paddle.fluid.dygraph.Linear paddle.nn.Linear,paddle.nn.layer.Linear,paddle.nn.layer.common.Linear
paddle.tensor.manipulation.concat paddle.concat paddle.fluid.layers.yolo_box paddle.nn.functional.yolo_box,paddle.nn.functional.vision.yolo_box
paddle.fluid.layers.adaptive_pool2d paddle.nn.functional.pooling.adaptive_pool2d paddle.tensor.linalg.cross paddle.cross,paddle.tensor.cross
paddle.fluid.dygraph.Linear paddle.nn.layer.common.Linear paddle.nn.layer.conv.Conv3DTranspose paddle.nn.Conv3DTranspose,paddle.nn.layer.Conv3DTranspose
paddle.nn.layer.activation.LeakyReLU paddle.nn.LeakyReLU paddle.nn.layer.conv.Conv2DTranspose paddle.nn.Conv2DTranspose,paddle.nn.layer.Conv2DTranspose
paddle.fluid.layers.yolo_box paddle.nn.functional.vision.yolo_box paddle.fluid.layers.unique_with_counts paddle.unique_with_counts,paddle.tensor.unique_with_counts,paddle.tensor.manipulation.unique_with_counts
paddle.fluid.layers.while_loop paddle.nn.while_loop paddle.fluid.layers.reduce_mean paddle.reduce_mean,paddle.tensor.reduce_mean,paddle.tensor.stat.reduce_mean
paddle.tensor.manipulation.unbind paddle.unbind paddle.tensor.creation.arange paddle.arange,paddle.tensor.arange
paddle.fluid.layers.scatter_nd_add paddle.tensor.scatter_nd_add paddle.fluid.dygraph.jit.TracedLayer paddle.jit.TracedLayer
paddle.fluid.layers.roi_perspective_transform paddle.nn.functional.roi_perspective_transform paddle.fluid.layers.rank paddle.rank,paddle.tensor.rank,paddle.tensor.attribute.rank
paddle.fluid.layers.random_crop paddle.nn.functional.random_crop paddle.fluid.layers.expand paddle.expand,paddle.tensor.expand,paddle.tensor.manipulation.expand
paddle.fluid.layers.logical_and paddle.logical_and paddle.tensor.logic.equal paddle.equal,paddle.tensor.equal
paddle.tensor.math.log paddle.log paddle.fluid.layers.cast paddle.cast,paddle.tensor.cast,paddle.tensor.manipulation.cast
paddle.fluid.layers.gather_nd paddle.tensor.gather_nd
paddle.tensor.creation.eye paddle.tensor.eye
paddle.fluid.data paddle.nn.input.data
paddle.tensor.linalg.cross paddle.tensor.cross
paddle.fluid.dygraph.SpectralNorm paddle.nn.SpectralNorm
paddle.nn.layer.activation.LogSoftmax paddle.nn.LogSoftmax
paddle.nn.layer.norm.InstanceNorm paddle.nn.InstanceNorm
paddle.nn.layer.conv.Conv3DTranspose paddle.nn.layer.Conv3DTranspose
paddle.nn.layer.conv.Conv2DTranspose paddle.nn.layer.Conv2DTranspose
paddle.nn.layer.conv.Conv2D paddle.nn.Conv2D
paddle.fluid.layers.unique_with_counts paddle.tensor.manipulation.unique_with_counts
paddle.fluid.layers.transpose paddle.tensor.linalg.transpose
paddle.fluid.layers.softmax_with_cross_entropy paddle.nn.functional.softmax_with_cross_entropy
paddle.fluid.layers.reduce_mean paddle.tensor.stat.reduce_mean
paddle.tensor.logic.greater_equal paddle.greater_equal
paddle.tensor.creation.arange paddle.tensor.arange
paddle.framework.Print paddle.Print
paddle.framework.BuildStrategy paddle.BuildStrategy
paddle.tensor.stat.var paddle.tensor.var
paddle.fluid.layers.thresholded_relu paddle.nn.functional.activation.thresholded_relu
paddle.fluid.layers.sigmoid_cross_entropy_with_logits paddle.nn.functional.loss.sigmoid_cross_entropy_with_logits
paddle.fluid.layers.rank paddle.tensor.attribute.rank
paddle.fluid.layers.image_resize_short paddle.nn.functional.image_resize_short
paddle.fluid.layers.has_nan paddle.has_nan
paddle.fluid.layers.expand paddle.tensor.manipulation.expand
paddle.fluid.layers.erf paddle.tensor.math.erf
paddle.tensor.logic.equal paddle.tensor.equal
paddle.fluid.layers.cast paddle.tensor.manipulation.cast
paddle.fluid.initializer.Normal paddle.nn.initializer.Normal
paddle.fluid.dygraph.container.LayerList paddle.nn.LayerList paddle.fluid.dygraph.container.LayerList paddle.nn.LayerList
paddle.fluid.layers.unique paddle.tensor.manipulation.unique paddle.fluid.layers.lrn paddle.nn.functional.lrn,paddle.nn.functional.norm.lrn
paddle.tensor.math.trace paddle.trace paddle.fluid.layers.logical_or paddle.logical_or,paddle.tensor.logical_or,paddle.tensor.logic.logical_or
paddle.fluid.layers.reshape paddle.tensor.reshape paddle.fluid.param_attr.WeightNormParamAttr paddle.static.WeightNormParamAttr
paddle.fluid.layers.lrn paddle.nn.functional.norm.lrn paddle.fluid.layers.multi_box_head paddle.static.nn.multi_box_head
paddle.fluid.layers.isfinite paddle.isfinite paddle.tensor.logic.allclose paddle.allclose,paddle.tensor.allclose
paddle.tensor.search.index_select paddle.index_select
paddle.fluid.layers.gelu paddle.nn.functional.activation.gelu
paddle.fluid.layers.fill_constant paddle.fill_constant
paddle.fluid.layers.expand_as paddle.tensor.manipulation.expand_as
paddle.tensor.math.elementwise_sum paddle.tensor.elementwise_sum
paddle.fluid.initializer.MSRA paddle.nn.initializer.MSRA
paddle.fluid.dygraph.LayerNorm paddle.nn.LayerNorm
paddle.fluid.dygraph.GroupNorm paddle.nn.GroupNorm
paddle.fluid.dygraph.BatchNorm paddle.nn.BatchNorm
paddle.tensor.math.scale paddle.tensor.scale
paddle.tensor.math.reciprocal paddle.reciprocal
paddle.fluid.layers.polygon_box_transform paddle.nn.functional.polygon_box_transform
paddle.fluid.layers.pad2d paddle.nn.functional.common.pad2d
paddle.tensor.math.max paddle.max
paddle.fluid.layers.logical_or paddle.tensor.logic.logical_or
paddle.tensor.logic.less_equal paddle.less_equal
paddle.tensor.math.cosh paddle.cosh
paddle.tensor.math.ceil paddle.ceil
paddle.nn.layer.activation.ReLU paddle.nn.ReLU
paddle.fluid.layers.shape paddle.tensor.shape
paddle.tensor.math.pow paddle.tensor.pow
paddle.tensor.creation.ones paddle.tensor.ones
paddle.tensor.logic.not_equal paddle.not_equal
paddle.fluid.layers.anchor_generator paddle.nn.functional.anchor_generator
paddle.tensor.logic.allclose paddle.tensor.allclose
paddle.fluid.layers.warpctc paddle.nn.functional.extension.warpctc
paddle.fluid.layers.scatter_nd paddle.scatter_nd
paddle.fluid.layers.reduce_mean paddle.tensor.reduce_mean
paddle.fluid.layers.prior_box paddle.nn.functional.prior_box
paddle.tensor.math.min paddle.min
paddle.fluid.layers.log paddle.tensor.math.log paddle.fluid.layers.log paddle.tensor.math.log
paddle.fluid.layers.hard_sigmoid paddle.nn.functional.hard_sigmoid paddle.fluid.backward.gradients paddle.static.gradients
paddle.tensor.math.floor paddle.floor paddle.tensor.stat.std paddle.std,paddle.tensor.std
paddle.tensor.math.elementwise_add paddle.elementwise_add paddle.fluid.dygraph.checkpoint.save_dygraph paddle.save,paddle.framework.save
paddle.fluid.data paddle.nn.data paddle.fluid.save paddle.tensor.save,paddle.static.save,paddle.tensor.io.save
paddle.fluid.dygraph.Linear paddle.nn.layer.Linear paddle.fluid.layers.pool2d paddle.nn.functional.pool2d,paddle.nn.functional.pooling.pool2d
paddle.nn.layer.conv.Conv3DTranspose paddle.nn.Conv3DTranspose paddle.tensor.math.mm paddle.mm,paddle.tensor.mm
paddle.nn.layer.conv.Conv2DTranspose paddle.nn.Conv2DTranspose
paddle.fluid.layers.yolo_box paddle.nn.functional.yolo_box
paddle.fluid.layers.sigmoid_cross_entropy_with_logits paddle.nn.functional.sigmoid_cross_entropy_with_logits
paddle.fluid.layers.scatter_nd_add paddle.scatter_nd_add
paddle.fluid.layers.relu6 paddle.nn.functional.activation.relu6
paddle.fluid.layers.gather_nd paddle.gather_nd
paddle.tensor.creation.eye paddle.eye
paddle.tensor.linalg.cross paddle.cross
paddle.fluid.layers.adaptive_pool2d paddle.nn.functional.adaptive_pool2d
paddle.fluid.layers.transpose paddle.tensor.transpose
paddle.tensor.stat.std paddle.tensor.std
paddle.tensor.math.sinh paddle.tensor.sinh
paddle.fluid.save paddle.tensor.io.save
paddle.fluid.layers.retinanet_target_assign paddle.nn.functional.vision.retinanet_target_assign
paddle.tensor.math.reduce_sum paddle.tensor.reduce_sum
paddle.fluid.layers.pool2d paddle.nn.functional.pooling.pool2d
paddle.tensor.math.mm paddle.tensor.mm
paddle.fluid.layers.mean paddle.tensor.stat.mean
paddle.fluid.layers.lrn paddle.nn.functional.lrn
paddle.fluid.layers.logsigmoid paddle.nn.functional.logsigmoid
paddle.fluid.layers.leaky_relu paddle.nn.functional.activation.leaky_relu
paddle.tensor.linalg.dist paddle.tensor.dist
paddle.tensor.creation.arange paddle.arange
paddle.fluid.dygraph.layers.Layer paddle.nn.Layer paddle.fluid.dygraph.layers.Layer paddle.nn.Layer
paddle.tensor.stat.var paddle.var paddle.fluid.framework.program_guard paddle.static.program_guard
paddle.fluid.layers.soft_relu paddle.nn.functional.activation.soft_relu paddle.fluid.layers.cross_entropy paddle.nn.functional.cross_entropy,paddle.nn.functional.loss.cross_entropy
paddle.nn.functional.extension.row_conv paddle.nn.functional.row_conv paddle.fluid.backward.append_backward paddle.static.append_backward
paddle.fluid.layers.inverse_time_decay paddle.nn.functional.learning_rate.inverse_time_decay
paddle.fluid.layers.fsp_matrix paddle.nn.functional.vision.fsp_matrix
paddle.tensor.logic.equal paddle.equal
paddle.fluid.layers.cross_entropy paddle.nn.functional.loss.cross_entropy
paddle.fluid.layers.box_decoder_and_assign paddle.nn.functional.vision.box_decoder_and_assign
paddle.fluid.layers.stanh paddle.tensor.math.stanh paddle.fluid.layers.stanh paddle.tensor.math.stanh
paddle.fluid.layers.reshape paddle.reshape paddle.fluid.layers.tanh paddle.tensor.math.tanh
paddle.fluid.layers.natural_exp_decay paddle.nn.functional.learning_rate.natural_exp_decay
paddle.fluid.layers.logical_or paddle.tensor.logical_or
paddle.tensor.math.log1p paddle.tensor.log1p
paddle.nn.functional.activation.hsigmoid paddle.nn.functional.hsigmoid
paddle.fluid.layers.exponential_decay paddle.nn.functional.learning_rate.exponential_decay
paddle.tensor.math.elementwise_sum paddle.elementwise_sum
paddle.fluid.layers.sinh paddle.tensor.math.sinh paddle.fluid.layers.sinh paddle.tensor.math.sinh
paddle.fluid.layers.similarity_focus paddle.nn.functional.extension.similarity_focus paddle.fluid.executor.scope_guard paddle.static.scope_guard
paddle.fluid.layers.elu paddle.nn.functional.elu,paddle.nn.functional.activation.elu
paddle.fluid.param_attr.ParamAttr paddle.ParamAttr,paddle.framework.ParamAttr
paddle.tensor.creation.zeros paddle.zeros,paddle.tensor.zeros
paddle.fluid.layers.create_tensor paddle.create_tensor,paddle.tensor.create_tensor,paddle.tensor.creation.create_tensor
paddle.fluid.layers.space_to_depth paddle.nn.functional.space_to_depth,paddle.nn.functional.vision.space_to_depth
paddle.tensor.stat.mean paddle.mean,paddle.tensor.mean
paddle.fluid.dygraph.jit.SaveLoadConfig paddle.jit.SaveLoadConfig
paddle.fluid.layers.switch_case paddle.nn.switch_case,paddle.nn.control_flow.switch_case
paddle.fluid.dygraph.jit.save paddle.jit.save
paddle.fluid.layers.crop_tensor paddle.crop_tensor,paddle.tensor.crop_tensor,paddle.tensor.creation.crop_tensor
paddle.tensor.linalg.cholesky paddle.cholesky,paddle.tensor.cholesky
paddle.fluid.dygraph.ProgramTranslator paddle.jit.ProgramTranslator
paddle.tensor.math.square paddle.square,paddle.tensor.square
paddle.tensor.manipulation.unsqueeze paddle.unsqueeze,paddle.tensor.unsqueeze
paddle.tensor.math.stanh paddle.stanh,paddle.tensor.stanh
paddle.fluid.layers.cosh paddle.tensor.math.cosh
paddle.tensor.math.tanh paddle.tanh,paddle.tensor.tanh
paddle.fluid.layers.nn.py_func paddle.static.py_func
paddle.tensor.manipulation.squeeze paddle.squeeze,paddle.tensor.squeeze
paddle.fluid.layers.softplus paddle.nn.functional.softplus,paddle.nn.functional.activation.softplus
paddle.fluid.layers.multiclass_nms paddle.nn.functional.multiclass_nms,paddle.nn.functional.extension.multiclass_nms
paddle.fluid.layers.label_smooth paddle.nn.functional.label_smooth,paddle.nn.functional.common.label_smooth
paddle.fluid.layers.is_empty paddle.is_empty,paddle.tensor.is_empty,paddle.tensor.logic.is_empty
paddle.fluid.dygraph.BilinearTensorProduct paddle.nn.BilinearTensorProduct,paddle.nn.layer.BilinearTensorProduct,paddle.nn.layer.common.BilinearTensorProduct
paddle.tensor.random.rand paddle.rand,paddle.tensor.rand
paddle.fluid.layers.linear_lr_warmup paddle.nn.functional.linear_lr_warmup,paddle.nn.functional.learning_rate.linear_lr_warmup
paddle.fluid.layers.reciprocal paddle.tensor.math.reciprocal
paddle.tensor.math.inverse paddle.inverse,paddle.tensor.inverse
paddle.tensor.manipulation.flip paddle.flip,paddle.reverse,paddle.tensor.flip,paddle.tensor.reverse
paddle.tensor.math.increment paddle.increment,paddle.tensor.increment
paddle.fluid.layers.hash paddle.nn.functional.hash,paddle.nn.functional.lod.hash
paddle.fluid.layers.case paddle.nn.case,paddle.nn.control_flow.case
paddle.fluid.layers.bipartite_match paddle.nn.functional.bipartite_match,paddle.nn.functional.vision.bipartite_match
paddle.tensor.math.exp paddle.exp,paddle.tensor.exp
paddle.fluid.layers.bilinear_tensor_product paddle.static.nn.bilinear_tensor_product
paddle.fluid.layers.beam_search paddle.nn.beam_search,paddle.nn.decode.beam_search
paddle.fluid.clip.GradientClipByValue paddle.nn.GradientClipByValue,paddle.nn.clip.GradientClipByValue
paddle.fluid.layers.pad paddle.nn.functional.pad,paddle.nn.functional.common.pad
paddle.tensor.math.kron paddle.kron,paddle.tensor.kron
paddle.fluid.layers.box_clip paddle.nn.functional.box_clip,paddle.nn.functional.vision.box_clip
paddle.fluid.layers.add_position_encoding paddle.nn.functional.add_position_encoding,paddle.nn.functional.extension.add_position_encoding
paddle.framework.random.manual_seed paddle.manual_seed
paddle.nn.layer.conv.Conv3D paddle.nn.Conv3D,paddle.nn.layer.Conv3D
paddle.tensor.math.add paddle.add,paddle.tensor.add
paddle.fluid.layers.unfold paddle.nn.functional.unfold,paddle.nn.functional.common.unfold
paddle.tensor.math.round paddle.round,paddle.tensor.round
paddle.fluid.executor.global_scope paddle.static.global_scope
paddle.tensor.random.randperm paddle.randperm,paddle.tensor.randperm
paddle.tensor.random.randn paddle.randn,paddle.tensor.randn
paddle.tensor.math.multiply paddle.multiply,paddle.tensor.multiply
paddle.fluid.framework.name_scope paddle.static.name_scope
paddle.fluid.layers.temporal_shift paddle.nn.functional.temporal_shift,paddle.nn.functional.extension.temporal_shift
paddle.tensor.math.sum paddle.sum,paddle.tensor.sum
paddle.fluid.layers.diag paddle.diag,paddle.tensor.diag,paddle.tensor.creation.diag
paddle.fluid.layers.beam_search_decode paddle.nn.beam_search_decode,paddle.nn.decode.beam_search_decode
paddle.fluid.layers.adaptive_pool3d paddle.nn.functional.adaptive_pool3d,paddle.nn.functional.pooling.adaptive_pool3d
paddle.tensor.search.where paddle.where,paddle.tensor.where
paddle.tensor.manipulation.gather paddle.gather,paddle.tensor.gather
paddle.tensor.math.reduce_prod paddle.reduce_prod,paddle.tensor.reduce_prod
paddle.tensor.math.acos paddle.acos,paddle.tensor.acos
paddle.fluid.initializer.Xavier paddle.nn.initializer.Xavier
paddle.fluid.parallel_executor.ParallelExecutor paddle.static.ParallelExecutor
paddle.tensor.logic.greater_than paddle.greater_than,paddle.tensor.greater_than
paddle.fluid.layers.resize_nearest paddle.nn.functional.resize_nearest,paddle.nn.functional.vision.resize_nearest
paddle.fluid.layers.deformable_roi_pooling paddle.nn.functional.deformable_roi_pooling,paddle.nn.functional.vision.deformable_roi_pooling
paddle.fluid.layers.ceil paddle.tensor.math.ceil
paddle.fluid.layers.retinanet_detection_output paddle.nn.functional.retinanet_detection_output,paddle.nn.functional.vision.retinanet_detection_output
paddle.fluid.layers.grid_sampler paddle.nn.functional.grid_sampler,paddle.nn.functional.vision.grid_sampler
paddle.fluid.layers.elementwise_mul paddle.tensor.math.elementwise_mul
paddle.tensor.logic.less_than paddle.less_than,paddle.tensor.less_than
paddle.fluid.layers.l2_normalize paddle.nn.functional.l2_normalize,paddle.nn.functional.norm.l2_normalize
paddle.tensor.search.nonzero paddle.nonzero,paddle.tensor.nonzero
paddle.fluid.layers.logical_xor paddle.logical_xor,paddle.tensor.logical_xor,paddle.tensor.logic.logical_xor
paddle.fluid.layers.distribute_fpn_proposals paddle.nn.functional.distribute_fpn_proposals,paddle.nn.functional.vision.distribute_fpn_proposals
paddle.tensor.math.addcmul paddle.addcmul,paddle.tensor.addcmul
paddle.fluid.layers.topk paddle.topk,paddle.tensor.topk,paddle.tensor.search.topk
paddle.tensor.math.reduce_max paddle.reduce_max,paddle.tensor.reduce_max
paddle.fluid.layers.pool3d paddle.nn.functional.pool3d,paddle.nn.functional.pooling.pool3d
paddle.fluid.layers.collect_fpn_proposals paddle.nn.functional.collect_fpn_proposals,paddle.nn.functional.vision.collect_fpn_proposals
paddle.fluid.layers.atan paddle.tensor.math.atan
paddle.fluid.executor.Executor paddle.static.Executor
paddle.fluid.layers.unstack paddle.unstack,paddle.tensor.unstack,paddle.tensor.manipulation.unstack
paddle.tensor.math.sin paddle.sin,paddle.tensor.sin
paddle.tensor.math.reduce_min paddle.reduce_min,paddle.tensor.reduce_min
paddle.fluid.layers.image_resize paddle.nn.functional.image_resize,paddle.nn.functional.vision.image_resize
paddle.fluid.layers.clip paddle.nn.clip,paddle.nn.clip.clip
paddle.fluid.core.CUDAPinnedPlace paddle.CUDAPinnedPlace,paddle.framework.CUDAPinnedPlace
paddle.fluid.layers.reduce_min paddle.tensor.math.reduce_min
paddle.tensor.random.randint paddle.randint,paddle.tensor.randint
paddle.fluid.layers.tanh_shrink paddle.nn.functional.tanh_shrink,paddle.nn.functional.activation.tanh_shrink
paddle.tensor.math.minimum paddle.minimum,paddle.tensor.minimum
paddle.tensor.math.maximum paddle.maximum,paddle.tensor.maximum
paddle.fluid.layers.generate_proposals paddle.nn.functional.generate_proposals,paddle.nn.functional.vision.generate_proposals
paddle.fluid.layers.dropout paddle.nn.functional.dropout,paddle.nn.functional.common.dropout
paddle.fluid.layers.softshrink paddle.nn.functional.softshrink,paddle.nn.functional.activation.softshrink
paddle.fluid.layers.has_inf paddle.has_inf,paddle.tensor.has_inf,paddle.tensor.search.has_inf
paddle.fluid.dygraph.Embedding paddle.nn.Embedding,paddle.nn.layer.Embedding,paddle.nn.layer.common.Embedding
paddle.fluid.layers.detection_output paddle.nn.functional.detection_output,paddle.nn.functional.vision.detection_output
paddle.fluid.dygraph.parallel.ParallelEnv paddle.ParallelEnv,paddle.framework.ParallelEnv
paddle.fluid.layers.sign paddle.tensor.math.sign
paddle.fluid.layers.reduce_all paddle.reduce_all,paddle.tensor.reduce_all,paddle.tensor.logic.reduce_all
paddle.tensor.math.multiplex paddle.multiplex,paddle.tensor.multiplex
paddle.fluid.layers.linspace paddle.linspace,paddle.tensor.linspace,paddle.tensor.creation.linspace
paddle.fluid.layers.argmin paddle.argmin,paddle.tensor.argmin,paddle.tensor.search.argmin
paddle.fluid.dygraph.Pool2D paddle.nn.Pool2D,paddle.nn.layer.Pool2D,paddle.nn.layer.common.Pool2D
paddle.tensor.manipulation.roll paddle.roll,paddle.tensor.roll
paddle.fluid.layers.reduce_sum paddle.tensor.math.reduce_sum
paddle.fluid.one_hot paddle.nn.functional.one_hot,paddle.nn.functional.common.one_hot
paddle.fluid.layers.crf_decoding paddle.static.nn.crf_decoding
paddle.tensor.linalg.bmm paddle.bmm,paddle.tensor.bmm
paddle.nn.layer.extension.RowConv paddle.nn.RowConv,paddle.nn.layer.RowConv
paddle.fluid.clip.GradientClipByGlobalNorm paddle.nn.GradientClipByGlobalNorm,paddle.nn.clip.GradientClipByGlobalNorm
paddle.fluid.core.CUDAPlace paddle.CUDAPlace,paddle.framework.CUDAPlace
paddle.fluid.layers.maxout paddle.nn.functional.maxout,paddle.nn.functional.activation.maxout
paddle.tensor.search.index_sample paddle.index_sample,paddle.tensor.index_sample
paddle.fluid.layers.generate_proposal_labels paddle.nn.functional.generate_proposal_labels,paddle.nn.functional.vision.generate_proposal_labels
paddle.fluid.layers.asin paddle.tensor.math.asin
paddle.fluid.dygraph.container.Sequential paddle.nn.Sequential
paddle.fluid.dygraph.parallel.DataParallel paddle.DataParallel,paddle.framework.DataParallel
paddle.fluid.core.CPUPlace paddle.CPUPlace,paddle.framework.CPUPlace
paddle.fluid.layers.sin paddle.tensor.math.sin
paddle.tensor.manipulation.split paddle.split,paddle.tensor.split
paddle.fluid.layers.shuffle_channel paddle.nn.functional.shuffle_channel,paddle.nn.functional.vision.shuffle_channel
paddle.fluid.layers.fc paddle.static.nn.fc
paddle.fluid.input.embedding paddle.static.nn.embedding
paddle.nn.layer.common.UpSample paddle.nn.UpSample,paddle.nn.layer.UpSample
paddle.fluid.layers.scatter_nd_add paddle.scatter_nd_add,paddle.tensor.scatter_nd_add,paddle.tensor.manipulation.scatter_nd_add
paddle.tensor.search.argmax paddle.argmax,paddle.tensor.argmax
paddle.fluid.layers.affine_channel paddle.nn.functional.affine_channel,paddle.nn.functional.vision.affine_channel
paddle.nn.functional.activation.log_softmax paddle.nn.functional.log_softmax
paddle.fluid.layers.has_nan paddle.has_nan,paddle.tensor.has_nan,paddle.tensor.search.has_nan
paddle.fluid.layers.generate_mask_labels paddle.nn.functional.generate_mask_labels,paddle.nn.functional.vision.generate_mask_labels
paddle.fluid.framework.in_dygraph_mode paddle.in_dynamic_mode
paddle.tensor.logic.equal_all paddle.equal_all,paddle.tensor.equal_all
paddle.fluid.dygraph.SpectralNorm paddle.nn.SpectralNorm,paddle.nn.layer.SpectralNorm,paddle.nn.layer.norm.SpectralNorm
paddle.fluid.clip.GradientClipByNorm paddle.nn.GradientClipByNorm,paddle.nn.clip.GradientClipByNorm
paddle.fluid.layers.reshape paddle.reshape,paddle.tensor.reshape,paddle.tensor.manipulation.reshape
paddle.fluid.compiler.ExecutionStrategy paddle.static.ExecutionStrategy
paddle.nn.functional.activation.hardshrink paddle.nn.functional.hardshrink
paddle.tensor.manipulation.stack paddle.stack,paddle.tensor.stack
paddle.nn.functional.activation.softmax paddle.nn.functional.softmax
paddle.tensor.linalg.matmul paddle.matmul,paddle.tensor.matmul
paddle.nn.functional.common.interpolate paddle.nn.functional.interpolate
paddle.tensor.math.div paddle.div,paddle.tensor.div
paddle.fluid.dygraph.LayerNorm paddle.nn.LayerNorm,paddle.nn.layer.LayerNorm,paddle.nn.layer.norm.LayerNorm
paddle.fluid.dygraph.GroupNorm paddle.nn.GroupNorm,paddle.nn.layer.GroupNorm,paddle.nn.layer.norm.GroupNorm
paddle.fluid.dygraph.BatchNorm paddle.nn.BatchNorm,paddle.nn.layer.BatchNorm,paddle.nn.layer.norm.BatchNorm
paddle.tensor.manipulation.unbind paddle.unbind,paddle.tensor.unbind
paddle.fluid.layers.roi_perspective_transform paddle.nn.functional.roi_perspective_transform,paddle.nn.functional.vision.roi_perspective_transform
paddle.tensor.math.log paddle.log,paddle.tensor.log
paddle.fluid.initializer.TruncatedNormal paddle.nn.initializer.TruncatedNormal
paddle.fluid.layers.polygon_box_transform paddle.nn.functional.polygon_box_transform,paddle.nn.functional.extension.polygon_box_transform
paddle.fluid.layers.control_flow.Print paddle.static.Print
paddle.nn.layer.activation.LogSoftmax paddle.nn.LogSoftmax,paddle.nn.layer.LogSoftmax
paddle.nn.layer.norm.InstanceNorm paddle.nn.InstanceNorm,paddle.nn.layer.InstanceNorm
paddle.fluid.compiler.BuildStrategy paddle.static.BuildStrategy
paddle.fluid.layers.shape paddle.shape,paddle.tensor.shape,paddle.tensor.attribute.shape
paddle.fluid.layers.image_resize_short paddle.nn.functional.image_resize_short,paddle.nn.functional.vision.image_resize_short
paddle.fluid.layers.hard_sigmoid paddle.nn.functional.hard_sigmoid,paddle.nn.functional.activation.hard_sigmoid
paddle.tensor.math.trace paddle.trace,paddle.tensor.trace
paddle.tensor.search.index_select paddle.index_select,paddle.tensor.index_select
paddle.fluid.layers.logsigmoid paddle.nn.functional.logsigmoid,paddle.nn.functional.activation.logsigmoid
paddle.framework.BackwardStrategy paddle.BackwardStrategy
paddle.tensor.math.elementwise_add paddle.elementwise_add,paddle.tensor.elementwise_add
paddle.fluid.dygraph.base.to_variable paddle.to_variable,paddle.framework.to_variable
paddle.tensor.creation.eye paddle.eye,paddle.tensor.eye
paddle.fluid.data paddle.nn.data,paddle.nn.input.data
paddle.tensor.stat.var paddle.var,paddle.tensor.var
paddle.fluid.layers.thresholded_relu paddle.nn.functional.thresholded_relu,paddle.nn.functional.activation.thresholded_relu
paddle.fluid.layers.sigmoid_cross_entropy_with_logits paddle.nn.functional.sigmoid_cross_entropy_with_logits,paddle.nn.functional.loss.sigmoid_cross_entropy_with_logits
paddle.fluid.initializer.Normal paddle.nn.initializer.Normal
paddle.fluid.layers.gelu paddle.nn.functional.gelu,paddle.nn.functional.activation.gelu
paddle.tensor.math.elementwise_sum paddle.elementwise_sum,paddle.tensor.elementwise_sum
paddle.fluid.framework.Variable paddle.Variable,paddle.framework.Variable
paddle.fluid.initializer.MSRA paddle.nn.initializer.MSRA
paddle.tensor.math.scale paddle.scale,paddle.tensor.scale
paddle.fluid.layers.pad2d paddle.nn.functional.pad2d,paddle.nn.functional.common.pad2d
paddle.tensor.math.pow paddle.pow,paddle.tensor.pow
paddle.tensor.creation.ones paddle.ones,paddle.tensor.ones
paddle.fluid.layers.warpctc paddle.nn.functional.warpctc,paddle.nn.functional.extension.warpctc
paddle.fluid.layers.deformable_conv paddle.static.nn.deformable_conv
paddle.fluid.layers.relu6 paddle.nn.functional.relu6,paddle.nn.functional.activation.relu6
paddle.tensor.math.sinh paddle.sinh,paddle.tensor.sinh
paddle.fluid.layers.retinanet_target_assign paddle.nn.functional.retinanet_target_assign,paddle.nn.functional.vision.retinanet_target_assign
paddle.tensor.math.reduce_sum paddle.reduce_sum,paddle.tensor.reduce_sum
paddle.fluid.layers.leaky_relu paddle.nn.functional.leaky_relu,paddle.nn.functional.activation.leaky_relu
paddle.tensor.linalg.dist paddle.dist,paddle.tensor.dist
paddle.nn.functional.extension.row_conv paddle.nn.functional.row_conv
paddle.fluid.dygraph.parallel.prepare_context paddle.prepare_context,paddle.framework.prepare_context
paddle.fluid.layers.fsp_matrix paddle.nn.functional.fsp_matrix,paddle.nn.functional.vision.fsp_matrix
paddle.fluid.layers.box_decoder_and_assign paddle.nn.functional.box_decoder_and_assign,paddle.nn.functional.vision.box_decoder_and_assign
paddle.tensor.math.log1p paddle.log1p,paddle.tensor.log1p
paddle.nn.functional.activation.hsigmoid paddle.nn.functional.hsigmoid
paddle.nn.functional.activation.sigmoid paddle.nn.functional.sigmoid paddle.nn.functional.activation.sigmoid paddle.nn.functional.sigmoid
paddle.tensor.math.scale paddle.scale paddle.fluid.layers.pad_constant_like paddle.nn.functional.pad_constant_like,paddle.nn.functional.common.pad_constant_like
paddle.fluid.save paddle.tensor.save paddle.nn.layer.loss.MarginRankingLoss paddle.nn.MarginRankingLoss,paddle.nn.layer.MarginRankingLoss
paddle.fluid.layers.rpn_target_assign paddle.nn.functional.extension.rpn_target_assign paddle.fluid.layers.row_conv paddle.static.nn.row_conv
paddle.fluid.layers.polynomial_decay paddle.nn.functional.learning_rate.polynomial_decay
paddle.fluid.layers.pad2d paddle.nn.functional.pad2d
paddle.fluid.layers.elu paddle.nn.functional.activation.elu
paddle.framework.WeightNormParamAttr paddle.WeightNormParamAttr
paddle.tensor.creation.zeros paddle.tensor.zeros
paddle.fluid.layers.shape paddle.shape
paddle.fluid.layers.rank paddle.tensor.rank
paddle.tensor.math.pow paddle.pow
paddle.fluid.layers.piecewise_decay paddle.nn.functional.learning_rate.piecewise_decay
paddle.fluid.layers.pad_constant_like paddle.nn.functional.common.pad_constant_like
paddle.tensor.creation.ones paddle.ones
paddle.fluid.layers.create_tensor paddle.tensor.creation.create_tensor
paddle.tensor.logic.allclose paddle.allclose
paddle.fluid.dygraph.Linear paddle.nn.Linear
paddle.fluid.layers.thresholded_relu paddle.nn.functional.thresholded_relu
paddle.fluid.layers.space_to_depth paddle.nn.functional.vision.space_to_depth
paddle.fluid.layers.reduce_mean paddle.reduce_mean
paddle.fluid.layers.mean paddle.tensor.mean
paddle.tensor.creation.full paddle.tensor.full
paddle.fluid.layers.brelu paddle.nn.functional.activation.brelu
paddle.tensor.math.abs paddle.tensor.abs
paddle.fluid.layers.abs paddle.tensor.math.abs paddle.fluid.layers.abs paddle.tensor.math.abs
paddle.framework.Variable paddle.Variable paddle.nn.layer.loss.CrossEntropyLoss paddle.nn.CrossEntropyLoss,paddle.nn.layer.CrossEntropyLoss
paddle.nn.layer.loss.CrossEntropyLoss paddle.nn.layer.CrossEntropyLoss paddle.fluid.layers.hsigmoid paddle.static.nn.hsigmoid
paddle.fluid.layers.unique_with_counts paddle.tensor.unique_with_counts
paddle.fluid.layers.switch_case paddle.nn.control_flow.switch_case
paddle.framework.gradients paddle.gradients
paddle.fluid.layers.gelu paddle.nn.functional.gelu
paddle.fluid.layers.exp paddle.tensor.math.exp paddle.fluid.layers.exp paddle.tensor.math.exp
paddle.tensor.math.elementwise_sub paddle.tensor.elementwise_sub paddle.fluid.framework.default_startup_program paddle.static.default_startup_program
paddle.fluid.layers.cross_entropy paddle.nn.functional.cross_entropy
paddle.fluid.layers.crop_tensor paddle.tensor.creation.crop_tensor
paddle.tensor.linalg.cholesky paddle.tensor.cholesky
paddle.fluid.layers.transpose paddle.transpose
paddle.fluid.layers.target_assign paddle.nn.functional.extension.target_assign
paddle.tensor.stat.std paddle.std
paddle.tensor.math.square paddle.tensor.square
paddle.tensor.math.sinh paddle.sinh
paddle.fluid.layers.selu paddle.nn.functional.activation.selu
paddle.fluid.layers.roi_align paddle.nn.functional.vision.roi_align
paddle.fluid.layers.retinanet_target_assign paddle.nn.functional.retinanet_target_assign
paddle.tensor.math.reduce_sum paddle.reduce_sum
paddle.tensor.math.logsumexp paddle.tensor.logsumexp
paddle.fluid.layers.hard_swish paddle.nn.functional.activation.hard_swish
paddle.fluid.layers.expand paddle.tensor.expand
paddle.tensor.linalg.dist paddle.dist
paddle.fluid.layers.cosine_decay paddle.nn.functional.learning_rate.cosine_decay
paddle.fluid.layers.cast paddle.tensor.cast
paddle.fluid.layers.affine_grid paddle.nn.functional.vision.affine_grid
paddle.nn.layer.activation.HSigmoid paddle.nn.layer.HSigmoid
paddle.fluid.layers.warpctc paddle.nn.functional.warpctc
paddle.tensor.manipulation.unsqueeze paddle.tensor.unsqueeze
paddle.fluid.layers.unique paddle.tensor.unique
paddle.tensor.math.stanh paddle.tensor.stanh
paddle.framework.program_guard paddle.program_guard
paddle.fluid.layers.pool2d paddle.nn.functional.pool2d
paddle.fluid.layers.fsp_matrix paddle.nn.functional.fsp_matrix
paddle.fluid.layers.expand_as paddle.tensor.expand_as
paddle.fluid.layers.cosh paddle.tensor.math.cosh
paddle.fluid.layers.box_decoder_and_assign paddle.nn.functional.box_decoder_and_assign
paddle.framework.append_backward paddle.append_backward
paddle.nn.layer.activation.Sigmoid paddle.nn.layer.Sigmoid
paddle.tensor.math.tanh paddle.tensor.tanh
paddle.fluid.layers.noam_decay paddle.nn.functional.learning_rate.noam_decay
paddle.fluid.layers.logical_or paddle.logical_or
paddle.tensor.math.log1p paddle.log1p
paddle.fluid.layers.floor paddle.tensor.math.floor paddle.fluid.layers.floor paddle.tensor.math.floor
paddle.fluid.initializer.Uniform paddle.nn.initializer.Uniform paddle.fluid.initializer.Uniform paddle.nn.initializer.Uniform
paddle.tensor.manipulation.squeeze paddle.tensor.squeeze paddle.fluid.layers.nce paddle.static.nn.nce
paddle.fluid.layers.softplus paddle.nn.functional.activation.softplus paddle.fluid.framework.default_main_program paddle.static.default_main_program
paddle.framework.scope_guard paddle.scope_guard
paddle.fluid.save paddle.save
paddle.fluid.layers.relu6 paddle.nn.functional.relu6
paddle.fluid.layers.multiclass_nms paddle.nn.functional.extension.multiclass_nms
paddle.fluid.layers.label_smooth paddle.nn.functional.common.label_smooth
paddle.fluid.layers.is_empty paddle.tensor.logic.is_empty
paddle.fluid.dygraph.BilinearTensorProduct paddle.nn.layer.common.BilinearTensorProduct
paddle.tensor.creation.zeros paddle.zeros
paddle.fluid.layers.softsign paddle.nn.functional.activation.softsign
paddle.fluid.layers.rank paddle.rank
paddle.tensor.random.rand paddle.tensor.rand
paddle.fluid.layers.pad_constant_like paddle.nn.functional.pad_constant_like
paddle.fluid.layers.linear_lr_warmup paddle.nn.functional.learning_rate.linear_lr_warmup
paddle.fluid.layers.leaky_relu paddle.nn.functional.leaky_relu
paddle.nn.layer.loss.CrossEntropyLoss paddle.nn.CrossEntropyLoss
doc/paddle/api/gen_doc.py
浏览文件 @ 3eb99f7e
...@@ -68,8 +68,8 @@ def get_alias_mapping(file="./alias_api_mapping"): ...@@ -68,8 +68,8 @@ def get_alias_mapping(file="./alias_api_mapping"):
for line in f.readlines(): for line in f.readlines():
t = line.strip().split('\t') t = line.strip().split('\t')
real_api = t[0].strip() real_api = t[0].strip()
alias_api = t[1].strip() alias_apis = t[1].strip().split(',')
alias_api_map[real_api] = alias_api alias_api_map[real_api] = alias_apis
def is_filter_api(api): def is_filter_api(api):
...@@ -77,7 +77,7 @@ def is_filter_api(api): ...@@ -77,7 +77,7 @@ def is_filter_api(api):
if api in display_doc_map: if api in display_doc_map:
return False return False
#check in api in not_display_list #check api in not_display_list
for key in not_display_doc_map: for key in not_display_doc_map:
#find the api #find the api
if key == api: if key == api:
...@@ -127,6 +127,14 @@ def is_filter_api(api): ...@@ -127,6 +127,14 @@ def is_filter_api(api):
return False return False
def get_display_api(api):
# recomment alias api
if api.startswith("paddle.fluid") and alias_api_map.has_key(api):
return alias_api_map[api][0]
else:
return api
def gen_en_files(root_path='paddle'): def gen_en_files(root_path='paddle'):
backup_path = root_path + "_" + str(int(time.time())) backup_path = root_path + "_" + str(int(time.time()))
...@@ -134,11 +142,15 @@ def gen_en_files(root_path='paddle'): ...@@ -134,11 +142,15 @@ def gen_en_files(root_path='paddle'):
if is_filter_api(api): if is_filter_api(api):
continue continue
api = get_display_api(api)
doc_file = api.split(".")[-1] doc_file = api.split(".")[-1]
path = "/".join(api.split(".")[0:-1]) path = "/".join(api.split(".")[0:-1])
if not os.path.exists(path): if not os.path.exists(path):
os.makedirs(path) os.makedirs(path)
f = api.replace(".", "/") f = api.replace(".", "/")
if os.path.exists(f + en_suffix):
continue
os.mknod(f + en_suffix) os.mknod(f + en_suffix)
gen = EnDocGenerator() gen = EnDocGenerator()
with gen.guard(f + en_suffix): with gen.guard(f + en_suffix):
......
doc/paddle/api/paddle/dataset/common/split_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_paddle_tensor_split .. _cn_api_fluid_layers_split:
split split
------------------------------- -------------------------------
.. py:function:: paddle.tensor.split(x, num_or_sections, axis=0, name=None) .. py:function:: paddle.fluid.layers.split(input, num_or_sections, dim=-1, name=None)
该OP将输入Tensor分割成多个子Tensor。 该OP将输入Tensor分割成多个子Tensor。
**参数**： 参数：
- **x** (Tensor) - 输入变量，数据类型为bool, float16, float32，float64，int32，int64的多维Tensor。 - **input** (Tensor) - 输入变量，数据类型为bool， float16，float32，float64，int32，int64的多维Tensor。
- **num_or_sections** (int|list|tuple) - 如果 ``num_or_sections`` 是一个整数，则表示Tensor平均划分为相同大小子Tensor的数量。如果 ``num_or_sections`` 是一个list或tuple，那么它的长度代表子Tensor的数量，它的元素可以是整数或者形状为[1]的Tensor，依次代表子Tensor需要分割成的维度的大小。list或tuple的长度不能超过输入Tensor待分割的维度的大小。在list或tuple中，至多有一个元素值为-1，表示该值是由 ``x`` 的维度和其他 ``num_or_sections`` 中元素推断出来的。例如对一个维度为[4,6,6]Tensor的第三维进行分割时，指定 ``num_or_sections=[2,-1,1]`` ，输出的三个Tensor维度分别为：[4,6,2]，[4,6,3]，[4,6,1]。 - **num_or_sections** (int|list|tuple) - 如果 ``num_or_sections`` 是一个整数，则表示Tensor平均划分为相同大小子Tensor的数量。如果 ``num_or_sections`` 是一个list或tuple，那么它的长度代表子Tensor的数量，它的元素可以是整数或者形状为[1]的Tensor，依次代表子Tensor需要分割成的维度的大小。list或tuple的长度不能超过输入Tensor待分割的维度的大小。至多有一个元素值为-1，-1表示该值是由 ``input`` 待分割的维度值和 ``num_or_sections`` 的剩余元素推断出来的。
- **axis** (int|Tensor，可选) - 整数或者形状为[1]的Tensor，数据类型为int32或int64。表示需要分割的维度。如果 ``axis < 0`` ，则划分的维度为 ``rank(x) + axis`` 。默认值为0。 - **dim** (int|Tenspr，可选) - 整数或者形状为[1]的Tensor，数据类型为int32或int64。表示需要分割的维度。如果 ``dim < 0`` ，则划分的维度为 ``rank(input) + dim`` 。默认值为-1。
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。 - **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回：分割后的Tensor列表。 返回：分割后的Tensor列表。
抛出异常： 抛出异常：
- :code:`TypeError`：``x`` 的数据类型不是float16、float32、float64、int32或int64时 。 - :code:`TypeError`：``input`` 的数据类型不是bool、float16、float32、float64、int32或int64时 。
- :code:`TypeError`：``num_or_sections`` 不是int、list 或 tuple时。 - :code:`TypeError`：``num_or_sections`` 不是int、list 或 tuple时。
- :code:`TypeError`：``axis`` 不是 int 或 Tensor时。当 ``axis`` 为Tensor，其数据类型不是int32或int64时。 - :code:`TypeError`：``dim`` 不是 int 或 Tensor时。当 ``dim`` 为Tensor，其数据类型不是int32或int64时。
**代码示例**： **代码示例**：
.. code-block:: python .. code-block:: python
import numpy as np import paddle.fluid as fluid
import paddle
paddle.enable_imperative() # input is a Tensor which shape is [3, 9, 5]
# x is a Tensor which shape is [3, 9, 5] input = fluid.data(
x_np = np.random.random([3, 9, 5]).astype("int32") name="input", shape=[3, 9, 5], dtype="float32")
x = paddle.imperative.to_variable(x_np)
out0, out1, out22 = paddle.split(x, num_or_sections=3, axis=1) out0, out1, out2 = fluid.layers.split(input, num_or_sections=3, dim=1)
# out0.shape [3, 3, 5] # out0.shape [3, 3, 5]
# out1.shape [3, 3, 5] # out1.shape [3, 3, 5]
# out2.shape [3, 3, 5] # out2.shape [3, 3, 5]
out0, out1, out2 = paddle.split(x, num_or_sections=[2, 3, 4], axis=1) out0, out1, out2 = fluid.layers.split(input, num_or_sections=[2, 3, 4], dim=1)
# out0.shape [3, 2, 5] # out0.shape [3, 2, 5]
# out1.shape [3, 3, 5] # out1.shape [3, 3, 5]
# out2.shape [3, 4, 5] # out2.shape [3, 4, 5]
out0, out1, out2 = paddle.split(x, num_or_sections=[2, 3, -1], axis=1) out0, out1, out2 = fluid.layers.split(input, num_or_sections=[2, 3, -1], dim=1)
# out0.shape [3, 2, 5] # out0.shape [3, 2, 5]
# out1.shape [3, 3, 5] # out1.shape [3, 3, 5]
# out2.shape [3, 4, 5] # out2.shape [3, 4, 5]
# axis is negative, the real axis is (rank(x) + axis) which real # dim is negative, the real dim is (rank(input) + axis) which real
# value is 1. # value is 1.
out0, out1, out2 = paddle.split(x, num_or_sections=3, axis=-2) out0, out1, out2 = fluid.layers.split(input, num_or_sections=3, dim=-2)
# out0.shape [3, 3, 5] # out0.shape [3, 3, 5]
# out1.shape [3, 3, 5] # out1.shape [3, 3, 5]
# out2.shape [3, 3, 5] # out2.shape [3, 3, 5]
doc/paddle/api/paddle/fluid/BuildStrategy_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_BuildStrategy:
BuildStrategy
-------------------------------
.. py:class:: paddle.fluid.BuildStrategy
:api_attr: 声明式编程模式（静态图)
``BuildStrategy`` 使用户更方便地控制 :ref:`cn_api_fluid_ParallelExecutor` 中计算图的建造方法，可通过设置 ``ParallelExecutor`` 中的 ``BuildStrategy`` 成员来实现此功能。
**代码示例**
.. code-block:: python
import os
import numpy as np
import paddle.fluid as fluid
os.environ["CPU_NUM"] = '2'
places = fluid.cpu_places()
data = fluid.layers.data(name="x", shape=[1], dtype="float32")
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
build_strategy = fluid.BuildStrategy()
build_strategy.enable_inplace = True
build_strategy.memory_optimize = True
build_strategy.reduce_strategy = fluid.BuildStrategy.ReduceStrategy.Reduce
program = fluid.compiler.CompiledProgram(fluid.default_main_program())
program = program.with_data_parallel(loss_name=loss.name,
build_strategy=build_strategy,
places=places)
.. py:attribute:: debug_graphviz_path
str类型。表示以graphviz格式向文件中写入计算图的路径，有利于调试。默认值为空字符串。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.debug_graphviz_path = "./graph"
.. py:attribute:: enable_sequential_execution
bool类型。如果设置为True，则算子的执行顺序将与算子定义的执行顺序相同。默认为False。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.enable_sequential_execution = True
.. py:attribute:: fuse_broadcast_ops
bool类型。表明是否融合(fuse) broadcast ops。该选项指在Reduce模式下有效，使程序运行更快。默认为False。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.fuse_broadcast_ops = True
.. py:attribute:: fuse_elewise_add_act_ops
bool类型。表明是否融合(fuse) elementwise_add_op和activation_op。这会使整体执行过程更快。默认为False。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.fuse_elewise_add_act_ops = True
.. py:attribute:: fuse_relu_depthwise_conv
bool类型。表明是否融合(fuse) relu和depthwise_conv2d，节省GPU内存并可能加速执行过程。此选项仅适用于GPU设备。默认为False。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.fuse_relu_depthwise_conv = True
.. py:attribute:: gradient_scale_strategy
``fluid.BuildStrategy.GradientScaleStrategy`` 类型。在 ``ParallelExecutor`` 中，存在三种定义loss对应梯度( *loss@grad* )的方式，分别为 ``CoeffNumDevice``, ``One`` 与 ``Customized``。默认情况下， ``ParallelExecutor`` 根据设备数目来设置 *loss@grad* 。如果用户需要自定义 *loss@grad* ，可以选择 ``Customized`` 方法。默认为 ``CoeffNumDevice`` 。
**代码示例**
.. code-block:: python
import os
import numpy as np
import paddle.fluid as fluid
import paddle.fluid.compiler as compiler
use_cuda = True
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
exe = fluid.Executor(place)
# NOTE: 如果你使用CPU计算，需要指定CPU_NUM, 否则,fluid
# 将使用所有的核的数目作为CPU_NUM,
# 这种情况下，输入的batch size应该大于CPU_NUM, 否则,
# 进程将会因为异常而失败。
if not use_cuda:
os.environ['CPU_NUM'] = str(2)
places = fluid.cpu_places()
else:
places = places = fluid.cuda_places()
data = fluid.layers.data(name='X', shape=[1], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
fluid.default_startup_program().random_seed=1
exe.run(fluid.default_startup_program())
build_strategy = fluid.BuildStrategy()
build_strategy.gradient_scale_strategy = \
fluid.BuildStrategy.GradientScaleStrategy.Customized
compiled_prog = compiler.CompiledProgram(
fluid.default_main_program()).with_data_parallel(
loss_name=loss.name, build_strategy=build_strategy,
places = places)
dev_count = len(places)
x = np.random.random(size=(10, 1)).astype('float32')
loss_grad = np.ones((dev_count)).astype("float32") * 0.01
loss_grad_name = loss.name+"@GRAD"
loss_data = exe.run(compiled_prog,
feed={"X": x, loss_grad_name : loss_grad},
fetch_list=[loss.name, loss_grad_name])
.. py:attribute:: memory_optimize
bool类型或None。设为True时可用于减少总内存消耗，False表示不使用，None表示框架会自动选择使用或者不使用优化策略。当前，None意味着当GC不能使用时，优化策略将被使用。默认为None。
.. py:attribute:: reduce_strategy
``fluid.BuildStrategy.ReduceStrategy`` 类型。在 ``ParallelExecutor`` 中，存在两种参数梯度聚合策略，即 ``AllReduce`` 和 ``Reduce`` 。如果用户需要在所有执行设备上独立地进行参数更新，可以使用 ``AllReduce`` 。如果使用 ``Reduce`` 策略，所有参数的优化将均匀地分配给不同的执行设备，随之将优化后的参数广播给其他执行设备。
默认值为 ``AllReduce`` 。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.reduce_strategy = fluid.BuildStrategy.ReduceStrategy.Reduce
.. py:attribute:: remove_unnecessary_lock
bool类型。设置True会去除GPU操作中的一些锁操作， ``ParallelExecutor`` 将运行得更快，默认为True。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.remove_unnecessary_lock = True
.. py:attribute:: sync_batch_norm
bool类型。表示是否使用同步的批正则化，即在训练阶段通过多个设备同步均值和方差。当前的实现不支持FP16训练和CPU。并且目前**仅支持**仅在一台机器上进行同步式批正则。默认为 False。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.sync_batch_norm = True
doc/paddle/api/paddle/fluid/CPUPlace_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_CPUPlace:
CPUPlace
-------------------------------
.. py:class:: paddle.fluid.CPUPlace
``CPUPlace`` 是一个设备描述符，表示一个分配或将要分配 ``Tensor`` 或 ``LoDTensor`` 的 ``CPU`` 设备。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
cpu_place = fluid.CPUPlace()
doc/paddle/api/paddle/fluid/CUDAPinnedPlace_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_CUDAPinnedPlace:
CUDAPinnedPlace
-------------------------------
.. py:class:: paddle.fluid.CUDAPinnedPlace
``CUDAPinnedPlace`` 是一个设备描述符，它所指代的页锁定内存由 CUDA 函数 ``cudaHostAlloc()`` 在主机内存上分配，主机的操作系统将不会对这块内存进行分页和交换操作，可以通过直接内存访问技术访问，加速主机和 GPU 之间的数据拷贝。
有关 CUDA 的数据转移和 ``pinned memory``，参见 `官方文档 <https://docs.nvidia.com/cuda/cuda-c-best-practices-guide/index.html#pinned-memory>`_ 。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
place = fluid.CUDAPinnedPlace()
doc/paddle/api/paddle/fluid/CUDAPlace_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_CUDAPlace:
CUDAPlace
-------------------------------
.. py:class:: paddle.fluid.CUDAPlace
.. note::
多卡任务请先使用 FLAGS_selected_gpus 环境变量设置可见的GPU设备，下个版本将会修正 CUDA_VISIBLE_DEVICES 环境变量无效的问题。
``CUDAPlace`` 是一个设备描述符，表示一个分配或将要分配 ``Tensor`` 或 ``LoDTensor`` 的 GPU 设备。
每个 ``CUDAPlace`` 有一个 ``dev_id`` （设备id）来表明当前的 ``CUDAPlace`` 所代表的显卡编号，编号从 0 开始。
``dev_id`` 不同的 ``CUDAPlace`` 所对应的内存不可相互访问。
这里编号指的是可见显卡的逻辑编号，而不是显卡实际的编号。
可以通过 ``CUDA_VISIBLE_DEVICES`` 环境变量限制程序能够使用的 GPU 设备，程序启动时会遍历当前的可见设备，并从 0 开始为这些设备编号。
如果没有设置 ``CUDA_VISIBLE_DEVICES``，则默认所有的设备都是可见的，此时逻辑编号与实际编号是相同的。
参数：
- **id** (int，可选) - GPU的设备ID。如果为 ``None``，则默认会使用 id 为 0 的设备。默认值为 ``None``。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
gpu_place = fluid.CUDAPlace(0)
doc/paddle/api/paddle/fluid/CompiledProgram_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_CompiledProgram:
CompiledProgram
-------------------------------
.. py:class:: paddle.fluid.CompiledProgram(program_or_graph, build_strategy=None)
:api_attr: 声明式编程模式（静态图)
CompiledProgram根据 `build_strategy` 的配置将输入的Program或Graph进行转换和优化，例如：计算图中算子融合、计算图执行过程中开启内存/显存优化等，关于build_strategy更多信息。请参阅 ``fluid.BuildStrategy`` 。
参数：
- **program_or_graph** (Graph|Program): 该参数为被执行的Program或Graph。
- **build_strategy** (BuildStrategy): 通过配置build_strategy，对计算图进行转换和优化，例如：计算图中算子融合、计算图执行过程中开启内存/显存优化等。关于build_strategy更多信息，请参阅 ``fluid.BuildStrategy`` 。 默认为None。
返回：初始化后的 ``CompiledProgram`` 对象
返回类型：CompiledProgram
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy
place = fluid.CUDAPlace(0) # fluid.CPUPlace()
exe = fluid.Executor(place)
data = fluid.data(name='X', shape=[None, 1], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
exe.run(fluid.default_startup_program())
compiled_prog = fluid.CompiledProgram(
fluid.default_main_program())
x = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = exe.run(compiled_prog,
feed={"X": x},
fetch_list=[loss.name])
.. py:method:: with_data_parallel(loss_name=None, build_strategy=None, exec_strategy=None, share_vars_from=None, places=None)
该接口用于将输入的Program或Graph进行转换，以便通过数据并行模式运行该模型。用户可以通过 `build_strategy` 和 `exec_strategy` 设置计算图构建和计算图执行过程中可以进行的一些优化，例如：将梯度聚合的AllReduce操作进行融合、指定计算图运行过程中使用的线程池大小等。**注意：如果在构建CompiledProgram和调用with_data_parallel时都指定了build_strategy，在CompiledProgram中的build_strategy会被复写，因此，如果是数据并行训练，建议在调用with_data_parallel接口时设置build_strategy**。
参数：
- **loss_name** （str） - 该参数为模型最后得到的损失变量的名字，**注意：如果是模型训练，必须设置loss_name，否则计算结果可能会有问题。** 默认为：None。
- **build_strategy** （BuildStrategy）: 通过配置build_strategy，对计算图进行转换和优化，例如：计算图中算子融合、计算图执行过程中开启内存/显存优化等。关于build_strategy更多的信息，请参阅 ``fluid.BuildStrategy`` 。 默认为：None。
- **exec_strategy** （ExecutionStrategy） - 通过exec_strategy指定执行计算图过程可以调整的选项，例如线程池大小等。 关于exec_strategy更多信息，请参阅 ``fluid.ExecutionStrategy`` 。 默认为：None。
- **share_vars_from** （CompiledProgram） - 如果设置了share_vars_from，当前的CompiledProgram将与share_vars_from指定的CompiledProgram共享参数值。需要设置该参数的情况：模型训练过程中需要进行模型测试，并且训练和测试都是采用数据并行模式，那么测试对应的CompiledProgram在调用with_data_parallel时，需要将share_vars_from设置为训练对应的CompiledProgram。由于CompiledProgram只有在第一次执行时才会将变量分发到其他设备上，因此share_vars_from指定的CompiledProgram必须在当前CompiledProgram之前运行。默认为：None。
- **places** （list(CUDAPlace)|list(CPUPlace)） - 该参数指定模型运行所在的设备。如果希望在GPU0和GPU1上运行，places为[fluid.CUDAPlace(0), fluid.CUDAPlace(1)]；如果希望使用2个CPU运行，places为[fluid.CPUPlace()] * 2。 如果没有设置该参数，即该参数为None，模型执行时，将从环境变量中获取可用的设备：如果使用GPU，模型执行时，从环境变量FLAGS_selected_gpus或CUDA_VISIBLE_DEVICES中获取当前可用的设备ID；如果使用CPU，模型执行时，从环境变量CPU_NUM中获取当前可利用的CPU个数。例如：export CPU_NUM=4，如果没有设置该环境变量，执行器会在环境变量中添加该变量，并将其值设为1。默认为：None。
返回：配置之后的 ``CompiledProgram`` 对象
返回类型：CompiledProgram
.. note::
1. 如果只是进行多卡测试，不需要设置loss_name以及share_vars_from。
2. 如果程序中既有模型训练又有模型测试，则构建模型测试所对应的CompiledProgram时必须设置share_vars_from，否则模型测试和模型训练所使用的参数是不一致。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy
import os
use_cuda = True
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
parallel_places = [fluid.CUDAPlace(0), fluid.CUDAPlace(1)] if use_cuda else [fluid.CPUPlace()] * 2
# 注意：如果你使用CPU运行程序，需要具体设置CPU_NUM，
# 否则fluid会把逻辑核的所有数目设为CPU_NUM，
# 在这种情况下，输入的batch size应大于CPU_NUM，
# 否则程序会异常中断。
if not use_cuda:
os.environ['CPU_NUM'] = str(2)
exe = fluid.Executor(place)
data = fluid.data(name='X', shape=[None, 1], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
test_program = fluid.default_main_program().clone(for_test=True)
fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
exe.run(fluid.default_startup_program())
compiled_train_prog = fluid.CompiledProgram(
fluid.default_main_program()).with_data_parallel(
loss_name=loss.name, places=parallel_places)
# 注意：如果此处不设置share_vars_from=compiled_train_prog，
# 测试过程中用的参数与训练使用的参数是不一致
compiled_test_prog = fluid.CompiledProgram(
test_program).with_data_parallel(
share_vars_from=compiled_train_prog,
places=parallel_places)
train_data = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = exe.run(compiled_train_prog,
feed={"X": train_data},
fetch_list=[loss.name])
test_data = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = exe.run(compiled_test_prog,
feed={"X": test_data},
fetch_list=[loss.name])
\ No newline at end of file
doc/paddle/api/paddle/fluid/ExecutionStrategy_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_ExecutionStrategy:
ExecutionStrategy
-------------------------------
.. py:class:: paddle.fluid.ExecutionStrategy
:api_attr: 声明式编程模式（静态图)
通过设置 ``ExecutionStrategy`` 中的选项，用户可以对执行器的执行配置进行调整，比如设置执行器中线程池的大小等。
返回：初始化后的ExecutionStrategy的实例
返回类型：ExecutionStrategy
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
x = fluid.layers.data(name='x', shape=[13], dtype='float32')
y = fluid.layers.data(name='y', shape=[1], dtype='float32')
y_predict = fluid.layers.fc(input=x, size=1, act=None)
cost = fluid.layers.square_error_cost(input=y_predict, label=y)
avg_loss = fluid.layers.mean(cost)
sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)
sgd_optimizer.minimize(avg_loss)
exec_strategy = fluid.ExecutionStrategy()
exec_strategy.num_threads = 4
train_exe = fluid.ParallelExecutor(use_cuda=False,
loss_name=avg_loss.name,
exec_strategy=exec_strategy)
.. py:attribute:: num_iteration_per_drop_scope
int型成员。该选项表示间隔多少次迭代之后清理一次临时变量。模型运行过程中，生成的中间临时变量将被放到local execution scope中，为了避免对临时变量频繁的申请与释放，通常将其设为较大的值（比如10或者100）。默认值为100。
.. py:attribute:: num_iteration_per_run
int型成员。它配置了当用户在python脚本中调用pe.run()时执行器会执行的迭代次数。Executor每次调用，会进行num_iteration_per_run次训练，它会使整体执行过程更快。
.. py:attribute:: num_threads
int型成员。该选项表示当前 ``Executor`` 的线程池(thread pool)的大小, 此线程池可用来并发执行program中的operator（算子，运算）。如果 :math:`num\_threads=1` ，则所有的operator将一个接一个地执行，但在不同的program重复周期(iterations)中执行顺序可能不同。如果该选项没有被设置，则在 ``Executor`` 中，它会依据设备类型(device type)、设备数目(device count)而设置为相应值。对GPU，:math:`num\_threads=device\_count∗4` ；对CPU， :math:`num\_threads=CPU\_NUM∗4` 。在 ``Executor`` 中有关于 :math:`CPU\_NUM` 的详细解释。如果没有设置 :math:`CPU\_NUM` ，则设置默认值为1， 并提示用户进行 :math:`CPU\_NUM` 的设置。
doc/paddle/api/paddle/fluid/Executor_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_executor:
Executor
-------------------------------
.. py:class:: paddle.fluid.Executor (place=None)
:api_attr: 声明式编程模式（静态图)
Executor支持单GPU、多GPU以及CPU运行。
参数：
- **place** (fluid.CPUPlace()|fluid.CUDAPlace(N)|None) – 该参数表示Executor执行所在的设备，这里的N为GPU对应的ID。当该参数为 `None` 时，PaddlePaddle会根据其安装版本设置默认的运行设备。当安装的Paddle为CPU版时，默认运行设置会设置成 `CPUPlace()` ，而当Paddle为GPU版时，默认运行设备会设置成 `CUDAPlace(0)` 。默认值为None。
返回：初始化后的 ``Executor`` 对象
返回类型：Executor
**示例代码**
.. code-block:: python
import paddle.fluid as fluid
import paddle.fluid.compiler as compiler
import numpy
import os
# 显式设置运行设备
# use_cuda = True
# place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
# exe = fluid.Executor(place)
# 如果不显示设置运行设备，PaddlePaddle会设置默认运行设备
exe = fluid.Executor()
train_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(train_program, startup_program):
data = fluid.layers.data(name='X', shape=[1], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
# 仅运行一次startup program
# 不需要优化/编译这个startup program
startup_program.random_seed=1
exe.run(startup_program)
# 无需编译，直接运行main program
x = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = exe.run(train_program,
feed={"X": x},
fetch_list=[loss.name])
# 另一种方法是，编译这个main program然后运行。
# 参考CompiledProgram以获取更多信息。
# 注意：如果你使用CPU运行程序，需要具体设置CPU_NUM，
# 否则fluid会把逻辑核的所有数目设为CPU_NUM，
# 在这种情况下，输入的batch size应大于CPU_NUM，
# 否则程序会异常中断。
# 显式设置运行设备
# if not use_cuda:
# os.environ['CPU_NUM'] = str(2)
# 未显示设置运行设备且安装的Paddle为CPU版本
os.environ['CPU_NUM'] = str(2)
compiled_prog = compiler.CompiledProgram(
train_program).with_data_parallel(
loss_name=loss.name)
loss_data, = exe.run(compiled_prog,
feed={"X": x},
fetch_list=[loss.name])
.. py:method:: close()
关闭执行器。该接口主要用于对于分布式训练，调用该接口后不可以再使用该执行器。该接口会释放在PServers上和目前Trainer有关联的资源。
返回：无
**示例代码**
.. code-block:: python
import paddle.fluid as fluid
cpu = fluid.CPUPlace()
exe = fluid.Executor(cpu)
# 执行训练或测试过程
exe.close()
.. py:method:: run(program=None, feed=None, fetch_list=None, feed_var_name='feed', fetch_var_name='fetch', scope=None, return_numpy=True, use_program_cache=False, return_merged=True)
执行指定的Program或者CompiledProgram。需要注意的是，执行器会执行Program或CompiledProgram中的所有算子，而不会根据fetch_list对Program或CompiledProgram中的算子进行裁剪。同时，需要传入运行该模型用到的scope，如果没有指定scope，执行器将使用全局scope，即fluid.global_scope()。
参数：
- **program** (Program|CompiledProgram) – 该参数为被执行的Program或CompiledProgram，如果未提供该参数，即该参数为None，在该接口内，main_program将被设置为fluid.default_main_program()。默认为：None。
- **feed** (list|dict) – 该参数表示模型的输入变量。如果是单卡训练，``feed`` 为 ``dict`` 类型，如果是多卡训练，参数 ``feed`` 可以是 ``dict`` 或者 ``list`` 类型变量，如果该参数类型为 ``dict`` ，feed中的数据将会被分割(split)并分送给多个设备（CPU/GPU），即输入数据被均匀分配到不同设备上；如果该参数类型为 ``list`` ，则列表中的各个元素都会直接分别被拷贝到各设备中。默认为：None。
- **fetch_list** (list) – 该参数表示模型运行之后需要返回的变量。默认为：None。
- **feed_var_name** (str) – 该参数表示数据输入算子(feed operator)的输入变量名称。默认为："feed"。
- **fetch_var_name** (str) – 该参数表示结果获取算子(fetch operator)的输出变量名称。默认为："fetch"。
- **scope** (Scope) – 该参数表示执行当前program所使用的作用域，用户可以为不同的program指定不同的作用域。默认值：fluid.global_scope()。
- **return_numpy** (bool) – 该参数表示是否将返回的计算结果（fetch list中指定的变量）转化为numpy；如果为False，则每个变量返回的类型为LoDTensor，否则返回变量的类型为numpy.ndarray。默认为：True。
- **use_program_cache** (bool) – 该参数表示是否对输入的Program进行缓存。如果该参数为True，在以下情况时，模型运行速度可能会更快：输入的program为 ``fluid.Program`` ，并且模型运行过程中，调用该接口的参数（program、 feed变量名和fetch_list变量）名始终不变。默认为：False。
- **return_merged** (bool) – 该参数表示是否按照执行设备维度将返回的计算结果（fetch list中指定的变量）进行合并。如果 ``return_merged`` 设为False，返回值类型是一个Tensor的二维列表（ ``return_numpy`` 设为Fasle时）或者一个numpy.ndarray的二维列表（ ``return_numpy`` 设为True时）。如果 ``return_merged`` 设为True，返回值类型是一个Tensor的一维列表（ ``return_numpy`` 设为Fasle时）或者一个numpy.ndarray的一维列表（ ``return_numpy`` 设为True时）。更多细节请参考示例代码2。如果返回的计算结果是变长的，请设置 ``return_merged`` 为False，即不按照执行设备维度合并返回的计算结果。该参数的默认值为True，但这仅是为了兼容性考虑，在未来的版本中默认值可能会更改为False。
返回：返回fetch_list中指定的变量值
返回类型：List
.. note::
1. 如果是多卡训练，并且feed参数为dict类型，输入数据将被均匀分配到不同的卡上，例如：使用2块GPU训练，输入样本数为3，即[0, 1, 2]，经过拆分之后，GPU0上的样本数为1，即[0]，GPU1上的样本数为2，即[1, 2]。如果样本数少于设备数，程序会报错，因此运行模型时，应额外注意数据集的最后一个batch的样本数是否少于当前可用的CPU核数或GPU卡数，如果是少于，建议丢弃该batch。
2. 如果可用的CPU核数或GPU卡数大于1，则fetch出来的结果为不同设备上的相同变量值（fetch_list中的变量）在第0维拼接在一起。
**示例代码1**
.. code-block:: python
import paddle.fluid as fluid
import numpy
#首先创建执行引擎
place = fluid.CPUPlace() # fluid.CUDAPlace(0)
exe = fluid.Executor(place)
data = fluid.layers.data(name='X', shape=[1], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
adam = fluid.optimizer.Adam()
adam.minimize(loss)
#仅运行startup程序一次
exe.run(fluid.default_startup_program())
x = numpy.random.random(size=(10, 1)).astype('float32')
outs = exe.run(feed={'X': x},
fetch_list=[loss.name])
**示例代码2**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
# 创建Executor对象
place = fluid.CUDAPlace(0)
exe = fluid.Executor(place)
data = fluid.data(name='X', shape=[None, 1], dtype='float32')
class_dim = 2
prediction = fluid.layers.fc(input=data, size=class_dim)
loss = fluid.layers.mean(prediction)
adam = fluid.optimizer.Adam()
adam.minimize(loss)
# 运行且仅运行一次startup program
exe.run(fluid.default_startup_program())
build_strategy = fluid.BuildStrategy()
binary = fluid.CompiledProgram(fluid.default_main_program()).with_data_parallel(
loss_name=loss.name, build_strategy=build_strategy)
batch_size = 6
x = np.random.random(size=(batch_size, 1)).astype('float32')
# 1) 设置 return_merged 参数为False以获取不合并的计算结果：
unmerged_prediction, = exe.run(binary, feed={'X': x},
fetch_list=[prediction.name],
return_merged=False)
# 如果用户使用两个GPU卡来运行此python代码示例，输出结果将为(2, 3, class_dim)。
# 输出结果中第一个维度值代表所使用的GPU卡数，而第二个维度值代表batch_size和所使用
# 的GPU卡数之商。
print("The unmerged prediction shape: {}".format(np.array(unmerged_prediction).shape))
print(unmerged_prediction)
# 2) 设置 return_merged 参数为True以获取合并的计算结果：
merged_prediction, = exe.run(binary, feed={'X': x},
fetch_list=[prediction.name],
return_merged=True)
# 如果用户使用两个GPU卡来运行此python代码示例，输出结果将为(6, class_dim)。输出结果
# 中第一个维度值代表batch_size值。
print("The merged prediction shape: {}".format(np.array(merged_prediction).shape))
print(merged_prediction)
# 输出:
# The unmerged prediction shape: (2, 3, 2)
# [array([[-0.37620035, -0.19752218],
# [-0.3561043 , -0.18697084],
# [-0.24129935, -0.12669306]], dtype=float32), array([[-0.24489994, -0.12858354],
# [-0.49041364, -0.25748932],
# [-0.44331917, -0.23276259]], dtype=float32)]
# The merged prediction shape: (6, 2)
# [[-0.37789783 -0.19921964]
# [-0.3577645 -0.18863106]
# [-0.24274671 -0.12814042]
# [-0.24635398 -0.13003758]
# [-0.49232286 -0.25939852]
# [-0.44514108 -0.2345845 ]]
.. py:method:: infer_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
infer_from_dataset的文档与train_from_dataset几乎完全相同，只是在分布式训练中，推进梯度将在infer_from_dataset中禁用。 infer_from_dataset（）可以非常容易地用于多线程中的评估。
参数：
- **program** (Program|CompiledProgram) – 需要执行的program,如果没有给定那么默认使用default_main_program (未编译的)
- **dataset** (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义的数据集。必要时请检查Dataset文件。默认为None
- **scope** (Scope) – 执行这个program的域，用户可以指定不同的域。默认为全局域
- **thread** (int) – 用户想要在这个函数中运行的线程数量。线程的实际数量为min(Dataset.thread_num, thread)，如果thread > 0，默认为0
- **debug** (bool) – 是否开启debug模式，默认为False
- **fetch_list** (Variable List) – 返回变量列表，每个变量都会在训练过程中被打印出来，默认为None
- **fetch_info** (String List) – 每个变量的打印信息，默认为None
- **print_period** (int) – 每两次打印之间间隔的mini-batches的数量，默认为100
返回：None
**示例代码**
.. code-block:: python
import paddle.fluid as fluid
place = fluid.CPUPlace() # 使用GPU时可设置place = fluid.CUDAPlace(0)
exe = fluid.Executor(place)
x = fluid.layers.data(name="x", shape=[10, 10], dtype="int64")
y = fluid.layers.data(name="y", shape=[1], dtype="int64", lod_level=1)
dataset = fluid.DatasetFactory().create_dataset()
dataset.set_use_var([x, y])
dataset.set_thread(1)
filelist = [] # 您可以设置您自己的filelist，如filelist = ["dataA.txt"]
dataset.set_filelist(filelist)
exe.run(fluid.default_startup_program())
exe.infer_from_dataset(program=fluid.default_main_program(),dataset=dataset)
.. py:method:: train_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
从预定义的数据集中训练。 数据集在paddle.fluid.dataset中定义。 给定程序（或编译程序），train_from_dataset将使用数据集中的所有数据样本。 输入范围可由用户给出。 默认情况下，范围是global_scope()。训练中的线程总数是thread。 训练中使用的线程数将是数据集中threadnum的最小值，同时也是此接口中线程的值。 可以设置debug，以便执行器显示所有算子的运行时间和当前训练任务的吞吐量。
注意：train_from_dataset将销毁每次运行在executor中创建的所有资源。
参数：
- **program** (Program|CompiledProgram) – 需要执行的program,如果没有给定那么默认使用default_main_program (未编译的)
- **dataset** (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义的数据集。必要时请检查Dataset文件。默认为None
- **scope** (Scope) – 执行这个program的域，用户可以指定不同的域。默认为全局域
- **thread** (int) – 用户想要在这个函数中运行的线程数量。线程的实际数量为min(Dataset.thread_num, thread)，如果thread > 0，默认为0
- **debug** (bool) – 是否开启debug模式，默认为False
- **fetch_list** (Variable List) – 返回变量列表，每个变量都会在训练过程中被打印出来，默认为None
- **fetch_info** (String List) – 每个变量的打印信息，默认为None
- **print_period** (int) – 每两次打印之间间隔的mini-batches的数量，默认为100
返回：None
**示例代码**
.. code-block:: python
import paddle.fluid as fluid
place = fluid.CPUPlace() # 通过设置place = fluid.CUDAPlace(0)使用GPU
exe = fluid.Executor(place)
x = fluid.layers.data(name="x", shape=[10, 10], dtype="int64")
y = fluid.layers.data(name="y", shape=[1], dtype="int64", lod_level=1)
dataset = fluid.DatasetFactory().create_dataset()
dataset.set_use_var([x, y])
dataset.set_thread(1)
filelist = [] # 您可以设置您自己的filelist，如filelist = ["dataA.txt"]
dataset.set_filelist(filelist)
exe.run(fluid.default_startup_program())
exe.train_from_dataset(program=fluid.default_main_program(),
dataset=dataset)
doc/paddle/api/paddle/fluid/ParallelExecutor_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_ParallelExecutor:
ParallelExecutor
-------------------------------
.. py:class:: paddle.fluid.ParallelExecutor(use_cuda, loss_name=None, main_program=None, share_vars_from=None, exec_strategy=None, build_strategy=None, num_trainers=1, trainer_id=0, scope=None)
:api_attr: 声明式编程模式（静态图)
``ParallelExecutor`` 是 ``Executor`` 的一个升级版本，可以支持基于数据并行的多节点模型训练和测试。如果采用数据并行模式， ``ParallelExecutor`` 在构造时会将参数分发到不同的节点上，并将输入的 ``Program`` 拷贝到不同的节点，在执行过程中，各个节点独立运行模型，将模型反向计算得到的参数梯度在多个节点之间进行聚合，之后各个节点独立的进行参数的更新。如果使用GPU运行模型，即 ``use_cuda=True`` ，节点指代GPU， ``ParallelExecutor`` 将自动获取在当前机器上可用的GPU资源，用户也可以通过在环境变量设置可用的GPU资源，例如：希望使用GPU0、GPU1计算，export CUDA_VISIBLEDEVICES=0,1；如果在CPU上进行操作，即 ``use_cuda=False`` ，节点指代CPU，**注意：此时需要用户在环境变量中手动添加 CPU_NUM ，并将该值设置为CPU设备的个数，例如：export CPU_NUM=4，如果没有设置该环境变量，执行器会在环境变量中添加该变量，并将其值设为1**。
参数:
- **use_cuda** (bool) – 该参数表示是否使用GPU执行。
- **loss_name** （str） - 该参数为模型最后得到的损失变量的名字。**注意：如果是数据并行模型训练，必须设置loss_name，否则计算结果可能会有问题。** 默认为：None。
- **main_program** (Program) – 需要被执行的Program 。如果未提供该参数，即该参数为None，在该接口内，main_program将被设置为fluid.default_main_program()。 默认为：None。
- **share_vars_from** (ParallelExecutor) - 如果设置了share_vars_from，当前的ParallelExecutor将与share_vars_from指定的ParallelExecutor共享参数值。需要设置该参数的情况：模型训练过程中需要进行模型测试，并且训练和测试都是采用数据并行模式，那么测试对应的ParallelExecutor在调用with_data_parallel时，需要将share_vars_from设置为训练所对应的ParallelExecutor。由于ParallelExecutor只有在第一次执行时才会将参数变量分发到其他设备上，因此share_vars_from指定的ParallelExecutor必须在当前ParallelExecutor之前运行。默认为：None。
- **exec_strategy** (ExecutionStrategy) - 通过exec_strategy指定执行计算图过程可以调整的选项，例如线程池大小等。 关于exec_strategy更多信息，请参阅 ``fluid.ExecutionStrategy`` 。 默认为：None。
- **build_strategy** (BuildStrategy): 通过配置build_strategy，对计算图进行转换和优化，例如：计算图中算子融合、计算图执行过程中开启内存/显存优化等。关于build_strategy更多的信息，请参阅 ``fluid.BuildStrategy`` 。 默认为：None。
- **num_trainers** (int) – 进行GPU分布式训练时需要设置该参数。如果该参数值大于1，NCCL将会通过多层级节点的方式来初始化。每个节点应有相同的GPU数目。默认为：1。
- **trainer_id** (int) – 进行GPU分布式训练时需要设置该参数。该参数必须与num_trainers参数同时使用。trainer_id指明是当前所在节点的 “rank”（层级）。trainer_id从0开始计数。默认为：0。
- **scope** (Scope) – 指定执行Program所在的作用域。默认为：fluid.global_scope()。
返回：初始化后的 ``ParallelExecutor`` 对象
返回类型：ParallelExecutor
抛出异常：``TypeError``
- 如果提供的参数 ``share_vars_from`` 不是 ``ParallelExecutor`` 类型的，将会抛出此异常。
.. note::
1. 如果只是进行多卡测试，不需要设置loss_name以及share_vars_from。
2. 如果程序中既有模型训练又有模型测试，则构建模型测试所对应的ParallelExecutor时必须设置share_vars_from，否则模型测试和模型训练所使用的参数是不一致。
**示例代码**
.. code-block:: python
import paddle.fluid as fluid
import numpy
import os
use_cuda = True
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
# 注意：如果你使用CPU运行程序，需要具体设置CPU_NUM，
# 否则fluid会把逻辑核的所有数目设为CPU_NUM，
# 在这种情况下，输入的batch size应大于CPU_NUM，
# 否则程序会异常中断。
if not use_cuda:
os.environ['CPU_NUM'] = str(2)
exe = fluid.Executor(place)
train_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(train_program, startup_program):
data = fluid.layers.data(name='X', shape=[1], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
test_program = fluid.default_main_program().clone(for_test=True)
fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
exe.run(startup_program)
train_exe = fluid.ParallelExecutor(use_cuda=use_cuda,
main_program=train_program,
loss_name=loss.name)
# 注意：如果此处不设置share_vars_from=train_exe，测试过程中用的参数与训练使用的参数是不一致
test_exe = fluid.ParallelExecutor(use_cuda=use_cuda,
main_program=test_program,
share_vars_from=train_exe)
train_data = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = train_exe.run(feed={"X": train_data},
fetch_list=[loss.name])
test_data = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = test_exe.run(feed={"X": test_data},
fetch_list=[loss.name])
.. py:method:: run(fetch_list, feed=None, feed_dict=None, return_numpy=True)
该接口用于运行当前模型，需要注意的是，执行器会执行Program中的所有算子，而不会根据fetch_list对Program中的算子进行裁剪。
参数：
- **fetch_list** (list) – 该变量表示模型运行之后需要返回的变量。
- **feed** (list|dict) – 该变量表示模型的输入变量。如果该参数类型为 ``dict`` ，feed中的数据将会被分割(split)并分送给多个设备（CPU/GPU）；如果该参数类型为 ``list`` ，则列表中的各个元素都会直接分别被拷贝到各设备中。默认为：None。
- **feed_dict** – 该参数已经停止使用。默认为：None。
- **return_numpy** (bool) – 该变量表示是否将fetched tensor转换为numpy。默认为：True。
返回：返回fetch_list中指定的变量值
返回类型：List
抛出异常：
- ``ValueError`` - 如果feed参数是list类型，但是它的长度不等于可用设备（执行场所）的数目，再或者给定的feed不是dict类型，抛出此异常
- ``TypeError`` - 如果feed参数是list类型，但是它里面的元素不是dict类型时，抛出此异常
.. note::
1. 如果feed参数为dict类型，输入数据将被均匀分配到不同的卡上，例如：使用2块GPU训练，输入样本数为3，即[0, 1, 2]，经过拆分之后，GPU0上的样本数为1，即[0]，GPU1上的样本数为2，即[1, 2]。如果样本数少于设备数，程序会报错，因此运行模型时，应额外注意数据集的最后一个batch的样本数是否少于当前可用的CPU核数或GPU卡数，如果是少于，建议丢弃该batch。
2. 如果可用的CPU核数或GPU卡数大于1，则fetch出来的结果为不同设备上的相同变量值（fetch_list中的变量）在第0维拼接在一起。
**示例代码**
.. code-block:: python
import paddle.fluid as fluid
import numpy
import os
use_cuda = True
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
# 注意：如果你使用CPU运行程序，需要具体设置CPU_NUM，
# 否则fluid会把逻辑核的所有数目设为CPU_NUM，
# 在这种情况下，输入的batch size应大于CPU_NUM，
# 否则程序会异常中断。
if not use_cuda:
os.environ['CPU_NUM'] = str(2)
exe = fluid.Executor(place)
train_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(train_program, startup_program):
data = fluid.layers.data(name='X', shape=[1], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
exe.run(startup_program)
train_exe = fluid.ParallelExecutor(use_cuda=use_cuda,
main_program=train_program,
loss_name=loss.name)
# 如果feed参数是dict类型:
# 图像会被split到设备中。假设有两个设备，那么每个设备将会处理形为 (5, 1)的图像
x = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = train_exe.run(feed={"X": x},
fetch_list=[loss.name])
# 如果feed参数是list类型:
# 各设备挨个处理列表中的每个元素
# 第一个设备处理形为 (10, 1) 的图像
# 第二个设备处理形为 (9, 1) 的图像
#
# 使用 exe.device_count 得到设备数目
x1 = numpy.random.random(size=(10, 1)).astype('float32')
x2 = numpy.random.random(size=(9, 1)).astype('float32')
loss_data, = train_exe.run(feed=[{"X": x1}, {"X": x2}],
fetch_list=[loss.name])
.. py:method:: drop_local_exe_scopes()
立即清除scope中的临时变量。模型运行过程中，生成的中间临时变量将被放到local execution scope中，为了避免对临时变量频繁的申请与释放，ParallelExecutor中采取的策略是间隔若干次迭代之后清理一次临时变量。ParallelExecutor在ExecutionStrategy中提供了num_iteration_per_drop_scope选项，该选项表示间隔多少次迭代之后清理一次临时变量。如果num_iteration_per_drop_scope值为100，但是希望在迭代50次之后清理一次临时变量，可以通过手动调用该接口。
返回：无
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy
import os
use_cuda = True
# 注意：如果你使用CPU运行程序，需要具体设置CPU_NUM，
# 否则fluid会把逻辑核的所有数目设为CPU_NUM，
# 在这种情况下，输入的batch size应大于CPU_NUM，
# 否则程序会异常中断。
if not use_cuda:
os.environ['CPU_NUM'] = str(2)
train_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(train_program, startup_program):
data = fluid.layers.data(name='X', shape=[1], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(startup_program)
parallel_exe = fluid.ParallelExecutor(use_cuda=use_cuda,
main_program=train_program,
loss_name=loss.name)
x = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = parallel_exe.run(feed={"X": x},
fetch_list=[loss.name])
parallel_exe.drop_local_exe_scopes()
doc/paddle/api/paddle/fluid/Program_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_Program:
Program
-------------------------------
.. py:class:: paddle.fluid.Program
**注意：默认情况下，Paddle Fluid内部默认含有** :ref:`cn_api_fluid_default_startup_program` **和** :ref:`cn_api_fluid_default_main_program` **，它们共享参数。** :ref:`cn_api_fluid_default_startup_program` **只运行一次来初始化参数，** :ref:`cn_api_fluid_default_main_program` **在每个mini batch中运行并更新权重。**
Program是Paddle Fluid对于计算图的一种静态描述，使用Program的构造函数可以创建一个Program。Program中包括至少一个 :ref:`api_guide_Block` ，当 :ref:`api_guide_Block` 中存在条件选择的控制流OP（例如 :ref:`cn_api_fluid_layers_While` 等）时，该Program将会含有嵌套着的 :ref:`api_guide_Block` 即控制流外部的 :ref:`api_guide_Block` 将包含着控制流内部的 :ref:`api_guide_Block` ，而嵌套的 :ref:`api_guide_Block` 的元素访问控制将由具体的控制流OP来决定。关于Program具体的结构和包含的类型请参阅 `framework.proto <https://github.com/PaddlePaddle/Paddle/blob/develop/paddle/fluid/framework/framework.proto>`_
。
一个Program的集合通常包含初始化程序（startup_program）与主程序(main_program)，初始化程序是一个包含一些初始化工作的Program，主程序将会包含用来训练的网络结构和变量，在使用同一个 :ref:`api_guide_executor` 执行时他们会共享初始化工作的结果，例如初始化的参数。一个Program的集合可以被用来测试或者训练，被用来训练时， ``Paddle Fluid`` 将会利用所有用户使用的OP和变量来搭建一个训练网络，被用来测试时， 可以通过调用Program相关的接口例如：`clone` 剪去一些与测试无关的OP和变量，比如反向传播的OP和变量。
返回：创建的空的Program
返回值类型：Program
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
main_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(main_program=main_program, startup_program=startup_program):
x = fluid.layers.data(name="x", shape=[-1, 784], dtype='float32')
y = fluid.layers.data(name="y", shape=[-1, 1], dtype='int32')
z = fluid.layers.fc(name="fc", input=x, size=10, act="relu")
# start_up program here will share fc's weight with main program
print("main program is: {}".format(main_program))
print("start up program is: {}".format(startup_program))
.. py:method:: to_string(throw_on_error, with_details=False)
将Program转换为字符串
参数：
- **throw_on_error** (bool) - 是否在没有设置必需字段时抛出异常。
- **with_details** (bool) - 值为true时，打印更多关于变量和参数的信息，如trainable, optimize_attr等
返回： 将Program转换为字符串
返回类型： str
抛出异常： ``ValueError`` - 当 ``throw_on_error == true`` ，当没有设置任何必需的字段时，抛出 ``ValueError`` 。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
prog = fluid.default_main_program()
x = fluid.layers.data(name="X", shape=[2,3], dtype="float32", append_batch_size=False)
pred = fluid.layers.fc(x, size=3)
prog_string = prog.to_string(throw_on_error=True, with_details=False)
prog_string_with_details = prog.to_string(throw_on_error=False, with_details=True)
print("program string without detail: {}".format(prog_string))
print("program string with detail: {}".format(prog_string_with_details))
.. py:method:: clone(for_test=False)
**注意:**
**1.** ``Program.clone()`` **方法不会克隆例如** :ref:`cn_api_fluid_io_DataLoader` **这样的数据读取相关的部分，这可能会造成的数据读取部分在克隆后丢失**
**2. 此API当** ``for_test=True`` **时将会裁剪部分OP和变量。为防止错误的裁剪，推荐在** :ref:`cn_api_fluid_backward_append_backward` **和执行优化器之前使用** ``clone(for_test=True)`` 。
当 ``for_test=True`` 时创建一个新的、仅包含当前Program前向内容的Program。否则创建一个新的，和当前Program完全相同的Program
有些OP，在训练和测试之间的行为是不同的，比如 :ref:`cn_api_fluid_layers_batch_norm` 。它们有一个属性 ``is_test`` 来控制行为。当 ``for_test=True`` 时，此方法将把它们的 ``is_test`` 属性更改为True。
- 克隆Program用于训练时，将 ``for_test`` 设置为False。
- 克隆Program用于测试时，将 ``for_test`` 设置为True。虽然在这种情况下，如果在使用了优化器之后调用 ``clone`` 我们依旧会对Program当中反向执行以及优化器相关的内容进行自动裁剪，但是，我们强烈建议在使用优化器之前使用 ``clone`` 例如如果使用的是 :ref:`cn_api_fluid_optimizer_Momentum` 可以这样去使用:
**代码示例**
::
import paddle.fluid as fluid
img = fluid.layers.data(name='image', shape=[784])
pred = fluid.layers.fc(input=img, size=10, act='relu')
loss = fluid.layers.mean(pred)
## 我们推荐在使用 Optimizer前使用clone()接口
test_program = fluid.default_main_program().clone(for_test=True)
optimizer = fluid.optimizer.Momentum(learning_rate=0.01, momentum=0.9)
optimizer.minimize(loss)
参数：
- **for_test** (bool) – 取值为True时，clone方法内部会把operator的属性 ``is_test`` 设置为 True， 并裁剪反向OP和参数优化OP，默认值为False
返回：当 ``for_test=True`` 时返回一个新的、仅包含当前Program前向内容的Program。否则返回一个新的，和当前Program完全相同的Program
返回类型： Program
**代码示例**
注意，Program在clone后的顺序可能不同，这不会影响的训练或测试进程。在下面的示例中，我们提供了一个简单的方法print_prog（Program）来打印程序描述，以确保clone后仍能得到同样的打印结果：
.. code-block:: python
import paddle.fluid as fluid
import six
def print_prog(prog):
for name, value in sorted(six.iteritems(prog.block(0).vars)):
print(value)
for op in prog.block(0).ops:
print("op type is {}".format(op.type))
print("op inputs are {}".format(op.input_arg_names))
print("op outputs are {}".format(op.output_arg_names))
for key, value in sorted(six.iteritems(op.all_attrs())):
if key not in ['op_callstack', 'op_role_var']:
print(" [ attrs: {}: {} ]".format(key, value))
1.克隆一个Program，示例代码如下。
.. code-block:: python
import paddle.fluid as fluid
import six
def print_prog(prog):
for name, value in sorted(six.iteritems(prog.block(0).vars)):
print(value)
for op in prog.block(0).ops:
print("op type is {}".format(op.type))
print("op inputs are {}".format(op.input_arg_names))
print("op outputs are {}".format(op.output_arg_names))
for key, value in sorted(six.iteritems(op.all_attrs())):
if key not in ['op_callstack', 'op_role_var']:
print(" [ attrs: {}: {} ]".format(key, value))
train_program = fluid.Program()
startup_program = fluid.Program()
# ``startup_program`` 被用来执行一些参数初始化工作
# ``main_program`` 被用来容纳网络
with fluid.program_guard(train_program, startup_program):
with fluid.unique_name.guard():
img = fluid.layers.data(name='image', shape=[784])
hidden = fluid.layers.fc(input=img, size=200, act='relu')
hidden = fluid.layers.dropout(hidden, dropout_prob=0.5)
loss = fluid.layers.cross_entropy(
input=fluid.layers.fc(hidden, size=10, act='softmax'),
label=fluid.layers.data(name='label', shape=[1], dtype='int64'))
avg_loss = fluid.layers.mean(loss)
test_program = train_program.clone(for_test=True)
print_prog(test_program)
# 由于需要使训练和测试参数共享，我们需要使用训练的 ``startup_program``
# 来代替测试用的 ``startup_program``, 尽管测试的 ``startup_program`` 里面什么也没有。
# 在Paddle Fluid中我们会通过同样的变量名来共享权重.
# 训练和测试程序的所有参数将会拥有同样的名字，这将会使训练和测试程序实现参数的共享，
# 所以我们使用训练程序的 ``startup_program`` .并且由于测试的 ``startup_program`` 什么也没有,
# 因此它是一个新的程序.
with fluid.program_guard(train_program, startup_program):
with fluid.unique_name.guard():
sgd = fluid.optimizer.SGD(learning_rate=1e-3)
sgd.minimize(avg_loss)
2.如果分别运行 train Program 和 test Program，则可以不使用clone。
.. code-block:: python
import paddle.fluid as fluid
import six
def print_prog(prog):
for name, value in sorted(six.iteritems(prog.block(0).vars)):
print(value)
for op in prog.block(0).ops:
print("op type is {}".format(op.type))
print("op inputs are {}".format(op.input_arg_names))
print("op outputs are {}".format(op.output_arg_names))
for key, value in sorted(six.iteritems(op.all_attrs())):
if key not in ['op_callstack', 'op_role_var']:
print(" [ attrs: {}: {} ]".format(key, value))
def network():
img = fluid.layers.data(name='image', shape=[784])
hidden = fluid.layers.fc(input=img, size=200, act='relu')
hidden = fluid.layers.dropout(hidden, dropout_prob=0.5)
loss = fluid.layers.cross_entropy(
input=fluid.layers.fc(hidden, size=10, act='softmax'),
label=fluid.layers.data(name='label', shape=[1], dtype='int64'))
avg_loss = fluid.layers.mean(loss)
return avg_loss
train_program_2 = fluid.Program()
startup_program_2 = fluid.Program()
test_program_2 = fluid.Program()
with fluid.program_guard(train_program_2, startup_program_2):
with fluid.unique_name.guard():
avg_loss = network()
sgd = fluid.optimizer.SGD(learning_rate=1e-3)
sgd.minimize(avg_loss)
# 不使用测试阶段的启动程序
with fluid.program_guard(test_program_2, startup_program_2):
with fluid.unique_name.guard():
avg_loss = network()
print_prog(test_program_2)
上边两个代码片段生成和打印的Program是一样的。
.. py:staticmethod:: parse_from_string(binary_str)
通过对 `protobuf <https://en.wikipedia.org/wiki/Protocol_Buffers>`_ 的反序列化，转换成Program
参数：
- **binary_str_type** (str) – `protobuf <https://en.wikipedia.org/wiki/Protocol_Buffers>`_ 二进制字符串
返回：反序列化后的 Program
返回类型：Program
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
startup_prog = fluid.Program()
main_prog = fluid.Program()
with fluid.program_guard(startup_prog, main_prog):
x = fluid.layers.data(
name='X', shape=[1000, 784], dtype='float32', append_batch_size=False)
y = fluid.layers.data(
name='Y', shape=[784, 100], dtype='float32', append_batch_size=False)
z = fluid.layers.mul(x=x, y=y)
binary_str = fluid.default_main_program().desc.serialize_to_string()
prog_restored = fluid.default_main_program().parse_from_string(binary_str)
print(fluid.default_main_program())
print(prog_restored)
# 这里打印出的两个Program应该是一模一样的
.. py:attribute:: num_blocks
该Program中的 :ref:`api_guide_Block` 的个数
返回： 该Program中的 :ref:`api_guide_Block` 的个数
返回类型：int
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
prog = fluid.default_main_program()
num_blocks = prog.num_blocks
print(num_blocks)
## 1
## 当前Program中只有一个Block，即全局的Block
.. py:attribute:: random_seed
**注意：必须在相关OP被添加之前设置。**
程序中随机运算符的默认随机种子。0意味着随机生成随机种子。
返回：该Program中当前正在使用的random seed
返回类型：int64
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
prog = fluid.default_main_program()
random_seed = prog.random_seed
x_var = fluid.layers.data(name="X", shape=[3,3], dtype="float32", append_batch_size=False)
print(random_seed)
## 0
## 默认的random seed是 0
# 这里我们必须要在fluid.layers.dropout之前设置random_seed
prog.random_seed = 1
z_var = fluid.layers.dropout(x_var, 0.7)
print(prog.random_seed)
## 1
## 修改后random seed变成了 1
.. py:method:: global_block()
获取该Program的第一个 :ref:`api_guide_Block` 。
返回：该Program的第一个 :ref:`api_guide_Block`
返回类型：:ref:`api_guide_Block`
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
prog = fluid.default_main_program()
gb_block = prog.global_block()
print(gb_block)
##
## idx: 0
## parent_idx: -1
## 打印出了当前全局Block的描述
.. py:method:: block(index)
返回该Program中 ， ``index`` 指定的 :ref:`api_guide_Block` 。 ``index`` 类型为int
参数:
- **index** (int) - 需要获取的 :ref:`api_guide_Block` 的index
返回: 该Program中index对应的那个 :ref:`api_guide_Block`
返回类型: :ref:`api_guide_Block`
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
prog = fluid.default_main_program()
block_0 = prog.block(0)
print(block_0)
##
## idx: 0
## parent_idx: -1
## 打印出了0号Block的描述
.. py:method:: current_block()
获取当前 :ref:`api_guide_Block` 。当前 :ref:`api_guide_Block` 是用来添加OP的。
返回: 该Program中用户当前所在的 :ref:`api_guide_Block`
返回类型: :ref:`api_guide_Block`
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
prog = fluid.default_main_program()
current_blk = prog.current_block()
print(current_blk)
##
## idx: 0
## parent_idx: -1
## 打印出了当前Block的描述
.. py:method:: list_vars()
获取当前Program中所有变量。返回值是一个可迭代对象（iterable object)。
返回: Generator 会yield每个Program中的变量
返回类型: iterable 的 :ref:`api_guide_Variable`
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
prog = fluid.default_main_program()
img = fluid.layers.data(name='img', shape=[1,28,28], dtype='float32')
label = fluid.layers.data(name='label', shape=[128,1], dtype='int64')
for var in prog.list_vars():
print(var)
# 这里将会打印出当前Program中所有的Variable
.. py:method:: all_parameters()
获取当前Program中所有的 :ref:`api_guide_parameter` 。返回值是一个列表。
返回: 一个包含当前Program中所有参数的列表。
返回类型: list[ :ref:`api_guide_parameter` ]
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
program = fluid.default_main_program()
data = fluid.data(name='x', shape=[None, 13], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
for param in program.all_parameters():
print(param)
# 这里将会打印出当前Program中所有的Parameters，在本例中，输出结果是:
#
# name: "fc_0.w_0"
# type {
# type: LOD_TENSOR
# lod_tensor {
# tensor {
# data_type: FP32
# dims: 13
# dims: 10
# }
# }
# }
#
# persistable: true
# name: "fc_0.b_0"
# type {
# type: LOD_TENSOR
# lod_tensor {
# tensor {
# data_type: FP32
# dims: 10
# }
# }
# }
# persistable: true
#
# 这里print(param)将会打印出一个参数所有的属性，包括name，type和persistable，
# 你可以访问一个参数的指定属性，例如param.name，param.type
\ No newline at end of file
doc/paddle/api/paddle/fluid/WeightNormParamAttr_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_WeightNormParamAttr:
WeightNormParamAttr
-------------------------------
.. py:class:: paddle.fluid.WeightNormParamAttr(dim=None, name=None, initializer=None, learning_rate=1.0, regularizer=None, trainable=True, do_model_average=False)
:api_attr: 声明式编程模式（静态图)
.. note::
该类中的 ``gradient_clip`` 属性在2.0版本会废弃，推荐在初始化 ``optimizer`` 时设置梯度裁剪。共有三种裁剪策略： :ref:`cn_api_fluid_clip_GradientClipByGlobalNorm` 、
:ref:`cn_api_fluid_clip_GradientClipByNorm` 、 :ref:`cn_api_fluid_clip_GradientClipByValue` 。
该类定义了权重归一化(Weight Normalization)的参数。权重归一化可以将神经网络中权重向量的长度与其方向解耦，详细的定义与实现可以参考论文：`Weight Normalization: A Simple Reparameterization to Accelerate Training of Deep Neural Networks <https://arxiv.org/pdf/1602.07868.pdf>`_
参数:
- **dim** (int) - 进行归一化操作(norm)的切片所在维度，是小于权重Tensor rank的非负数。比如卷积的权重shape是 :math:`[cout, cin, kh, kw]` , rank是4，则dim可以选0,1,2,3；fc的权重shape是 :math:`[cout, cin]` ，rank是2，dim可以选0，1。 dim 默认为None，如果为None就对所有元素做归一化(norm)。
- **name** (None|str) - 该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` ，默认为None。
- **initializer** （Initializer) - 初始化参数方法，例如 ``initializer = fluid.initializer.ConstantInitializer(1.0)`` 。默认为None，如果为None则使用默认初始化函数 `Xavier()` 。
- **learning_rate** (float32) - 学习率，优化过程 :math:`global\_lr∗parameter\_lr∗scheduler\_factor` 的学习速率，默认为1.0。
- **regularizer** (WeightDecayRegularizer，可选) - 正则化方法。支持两种正则化策略: :ref:`cn_api_fluid_regularizer_L1Decay` 、
:ref:`cn_api_fluid_regularizer_L2Decay` ，如果在 ``optimizer`` (例如 :ref:`cn_api_fluid_optimizer_SGDOptimizer` ) 中也
设置了正则化，``optimizer`` 中的正则化将被忽略。默认值为None，表示没有正则化。
- **trainable** (bool) - 可选，指明参数是否可训练，默认为True。
- **do_model_average** (bool) - 可选，指明参数是否需要模型平均化操作(Model Average)，默认为False。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
data = fluid.layers.data(name="data", shape=[3, 32, 32], dtype="float32")
fc = fluid.layers.fc(input=data,
size=1000,
param_attr=fluid.WeightNormParamAttr(
dim=None,
name='weight_norm_param',
initializer=fluid.initializer.ConstantInitializer(1.0),
learning_rate=1.0,
regularizer=fluid.regularizer.L2DecayRegularizer(regularization_coeff=0.1),
trainable=True,
do_model_average=False))
doc/paddle/api/paddle/fluid/default_main_program_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_default_main_program:
default_main_program
-------------------------------
.. py:function:: paddle.fluid.default_main_program()
此接口可以获取当前用于存储op和variable描述信息的 ``default main program``
``fluid.layers`` 接口中添加的op和variable会存储在 ``default main program`` 中
``default main program`` 是fluid的许多编程接口中Program参数的默认值。例如对于 ``Executor.run()`` 如果用户没有传入Program参数，会默认使用 ``default main program``
可以使用 :ref:`cn_api_fluid_program_guard` 来替换 ``default main program``
参数:
- 无
返回： 当前默认用于存储op和variable描述的Program
返回类型： :ref:`cn_api_fluid_Program`
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
#示例网络:
data = fluid.data(name='image', shape=[None, 3, 224, 224], dtype='float32')
label = fluid.data(name='label', shape=[None, 1], dtype='int64')
conv1 = fluid.layers.conv2d(data, 4, 5, 1, act=None)
bn1 = fluid.layers.batch_norm(conv1, act='relu')
pool1 = fluid.layers.pool2d(bn1, 2, 'max', 2)
conv2 = fluid.layers.conv2d(pool1, 16, 5, 1, act=None)
bn2 = fluid.layers.batch_norm(conv2, act='relu')
pool2 = fluid.layers.pool2d(bn2, 2, 'max', 2)
fc1 = fluid.layers.fc(pool2, size=50, act='relu')
fc2 = fluid.layers.fc(fc1, size=102, act='softmax')
loss = fluid.layers.cross_entropy(input=fc2, label=label)
loss = fluid.layers.mean(loss)
opt = fluid.optimizer.Momentum(
learning_rate=0.1,
momentum=0.9,
regularization=fluid.regularizer.L2Decay(1e-4))
opt.minimize(loss)
print(fluid.default_main_program().num_blocks)
print(fluid.default_main_program().blocks[0].var('image'))
doc/paddle/api/paddle/fluid/default_startup_program_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_default_startup_program:
default_startup_program
-------------------------------
.. py:function:: paddle.fluid.default_startup_program()
该函数可以获取默认/全局 startup :ref:`cn_api_fluid_Program` (初始化启动程序)。
:ref:`_cn_api_fluid_layers` 中的函数会新建参数或 :ref:`cn_api_paddle_data_reader_reader` (读取器) 或 `NCCL <https://developer.nvidia.com/nccl>`_ 句柄作为全局变量。
startup_program会使用内在的OP（算子）去初始化他们，并由 :ref:`_cn_api_fluid_layers` 中的函数将这些OP追加到startup :ref:`cn_api_fluid_Program` 中。
该函数将返回默认的或当前的startup_program。用户可以使用 :ref:`cn_api_fluid_program_guard` 去切换 :ref:`cn_api_fluid_default_startup_program` 。
返回: 当前的默认/全局 初始化 :ref:`cn_api_fluid_Program`
返回类型: :ref:`cn_api_fluid_Program`
**代码示例：**
.. code-block:: python
import paddle.fluid as fluid
main_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(main_program=main_program, startup_program=startup_program):
x = fluid.layers.data(name="x", shape=[-1, 784], dtype='float32')
y = fluid.layers.data(name="y", shape=[-1, 1], dtype='int32')
z = fluid.layers.fc(name="fc", input=x, size=10, act="relu")
print("main program is: {}".format(fluid.default_main_program()))
print("start up program is: {}".format(fluid.default_startup_program()))
doc/paddle/api/paddle/fluid/dygraph/base/disable_dygraph_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_disable_dygraph:
disable_dygraph
-------------------------------
.. py:function:: paddle.fluid.disable_dygraph()
该接口关闭动态图模式。
返回：无
**示例代码**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
fluid.enable_dygraph() # Now we are in dygraph mode
print(fluid.in_dygraph_mode()) # True
fluid.disable_dygraph()
print(fluid.in_dygraph_mode()) # False
doc/paddle/api/paddle/fluid/dygraph/base/enable_dygraph_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_enable_dygraph:
enable_dygraph
-------------------------------
.. py:function:: paddle.fluid.enable_dygraph(place=None)
该接口打开动态图模式。
参数：
- **place** (fluid.CPUPlace 或 fluid.CUDAPlace，可选) - 执行动态图的设备数目。若为None，则设备根据paddle的编译方式决定。默认值为 ``None``。
返回：无
**示例代码**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
fluid.enable_dygraph() # Now we are in dygraph mode
print(fluid.in_dygraph_mode()) # True
fluid.disable_dygraph()
print(fluid.in_dygraph_mode()) # False
doc/paddle/api/paddle/fluid/framework/in_dygraph_mode_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_in_dygraph_mode:
in_dygraph_mode
-------------------------------
.. py:function:: paddle.fluid.in_dygraph_mode()
该接口检查程序是否在动态图模式中运行。
可以通过 ``fluid.dygraph.guard`` 接口开启动态图模式。
返回：如果程序是在动态图模式下运行的，则返回 ``True``。
返回类型：bool
**示例代码**
.. code-block:: python
import paddle.fluid as fluid
fluid.enable_dygraph() # 现在进入 dygragh 模式
print(fluid.in_dygraph_mode()) # True
fluid.disable_dygraph()
print(fluid.in_dygraph_mode()) # False
doc/paddle/api/paddle/fluid/global_scope_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_executor_global_scope:
global_scope
-------------------------------
.. py:function:: paddle.fluid.global_scope()
:api_attr: 声明式编程模式（静态图)
获取全局/默认作用域实例。很多API使用默认 ``global_scope`` ，例如 ``Executor.run`` 等。
返回：全局/默认作用域实例
返回类型：Scope
**示例代码**
.. code-block:: python
import paddle.fluid as fluid
import numpy
fluid.global_scope().var("data").get_tensor().set(numpy.ones((1, 2)), fluid.CPUPlace())
data = numpy.array(fluid.global_scope().find_var("data").get_tensor())
print(data) # [[1. 1.]]
doc/paddle/api/paddle/fluid/gradients_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_backward_gradients:
gradients
-------------------------------
.. py:function:: paddle.fluid.backward.gradients(targets, inputs, target_gradients=None, no_grad_set=None)
:api_attr: 声明式编程模式（静态图)
将目标梯度反向传播到输入。
参数：
- **targets** (Variable|list[Variable]) – 目标变量
- **inputs** (Variable|list[Variable]) – 输入变量
- **target_gradients** (Variable|list[Variable]，可选) – 目标的梯度变量，应与目标变量形状相同；如果设置为None，则以1初始化所有梯度变量
- **no_grad_set** (set[Variable|str]，可选) – 在 `block0` ( :ref:`api_guide_Block` ) 中要忽略梯度的 :ref:`api_guide_Variable` 的名字的集合。所有的 :ref:`api_guide_Block` 中带有 ``stop_gradient = True`` 的所有 :ref:`api_guide_Variable` 的名字都会被自动添加到此集合中。如果该参数不为 ``None``，则会将该参数集合的内容添加到默认的集合中。默认值为 ``None``。
返回：数组，包含与输入对应的梯度。如果一个输入不影响目标函数，则对应的梯度变量为None
返回类型：(list[Variable])
**示例代码**
.. code-block:: python
import paddle.fluid as fluid
x = fluid.data(name='x', shape=[None,2,8,8], dtype='float32')
x.stop_gradient=False
y = fluid.layers.conv2d(x, 4, 1, bias_attr=False)
y = fluid.layers.relu(y)
y = fluid.layers.conv2d(y, 4, 1, bias_attr=False)
y = fluid.layers.relu(y)
z = fluid.gradients([y], x)
print(z)
\ No newline at end of file
doc/paddle/api/paddle/fluid/initializer/Normal_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_Normal:
Normal
-------------------------------
.. py:class:: paddle.fluid.layers.Normal(loc, scale)
正态分布
数学公式：
.. math::
pdf(x; \mu, \sigma) = \frac{1}{Z}e^{\frac {-0.5 (x - \mu)^2} {\sigma^2} }
Z = (2 \pi \sigma^2)^{0.5}
上面的数学公式中：
:math:`loc = \mu` : 平均值。
:math:`scale = \sigma` : 标准差。
:math:`Z`: 正态分布常量。
参数：
- **loc** (float|list|numpy.ndarray|Variable) - 正态分布平均值。数据类型为float32。
- **scale** (float|list|numpy.ndarray|Variable) - 正态分布标准差。数据类型为float32。
**代码示例**：
.. code-block:: python
import numpy as np
from paddle.fluid import layers
from paddle.fluid.layers import Normal
# 定义参数为float的正态分布。
dist = Normal(loc=0., scale=3.)
# 定义一组有两个数的正态分布。
# 第一组为均值1，标准差11，第二组为均值2，标准差22。
dist = Normal(loc=[1., 2.], scale=[11., 22.])
# 得到3个样本, 返回一个 3 x 2 张量。
dist.sample([3])
# 通过广播的方式，定义一个两个参数的正态分布。
# 均值都是1，标准差不同。
dist = Normal(loc=1., scale=[11., 22.])
# 一个完整的例子
value_npdata = np.array([0.8], dtype="float32")
value_tensor = layers.create_tensor(dtype="float32")
layers.assign(value_npdata, value_tensor)
normal_a = Normal([0.], [1.])
normal_b = Normal([0.5], [2.])
sample = normal_a.sample([2])
# 一个由定义好的正太分布随机生成的张量，维度为: [2, 1]
entropy = normal_a.entropy()
# [1.4189385] with shape: [1]
lp = normal_a.log_prob(value_tensor)
# [-1.2389386] with shape: [1]
kl = normal_a.kl_divergence(normal_b)
# [0.34939718] with shape: [1]
.. py:function:: sample(shape, seed=0)
生成指定维度的样本
参数：
- **shape** (list) - 1维列表，指定生成样本的维度。数据类型为int32。
- **seed** (int) - 长整型数。
返回：预先设计好维度的张量, 数据类型为float32
返回类型：Variable
.. py:function:: entropy()
信息熵
返回：正态分布的信息熵, 数据类型为float32
返回类型：Variable
.. py:function:: log_prob(value)
对数概率密度函数
参数：
- **value** (Variable) - 输入张量。数据类型为float32或float64。
返回：对数概率, 数据类型与value相同
返回类型：Variable
.. py:function:: kl_divergence(other)
两个正态分布之间的KL散度。
参数：
- **other** (Normal) - Normal的实例。
返回：两个正态分布之间的KL散度, 数据类型为float32
返回类型：Variable
doc/paddle/api/paddle/fluid/initializer/Uniform_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_Uniform:
Uniform
-------------------------------
.. py:class:: paddle.fluid.layers.Uniform(low, high)
均匀分布
概率密度函数（pdf）为：
.. math::
pdf(x; a, b) = \frac{1}{Z}, a <=x < b
Z = b - a
上面的数学公式中：
:math:`low = a` 。
:math:`high = b` 。
:math:`Z`: 正态分布常量。
参数low和high的维度必须能够支持广播。
参数：
- **low** (float|list|numpy.ndarray|Variable) - 均匀分布的下边界。数据类型为float32。
- **high** (float|list|numpy.ndarray|Variable) - 均匀分布的上边界。数据类型为float32。
**代码示例**：
.. code-block:: python
import numpy as np
from paddle.fluid import layers
from paddle.fluid.layers import Uniform
# 定义参数为float的均匀分布
u1 = Uniform(low=3.0, high=4.0)
# 定义参数为list的均匀分布
u2 = Uniform(low=[1.0, 2.0],
high=[3.0, 4.0])
# 通过广播的方式，定义一个均匀分布
u3 = Uniform(low=[[1.0, 2.0],
[3.0, 4.0]],
high=[[1.5, 2.5],
[3.5, 4.5]])
# 通过广播的方式，定义一个均匀分布
u4 = Uniform(low=3.0, high=[5.0, 6.0, 7.0])
# 一个完整的例子
value_npdata = np.array([0.8], dtype="float32")
value_tensor = layers.create_tensor(dtype="float32")
layers.assign(value_npdata, value_tensor)
uniform = Uniform([0.], [2.])
sample = uniform.sample([2])
# 一个由定义好的均匀分布随机生成的张量，维度为: [2, 1]
entropy = uniform.entropy()
# [0.6931472] with shape: [1]
lp = uniform.log_prob(value_tensor)
# [-0.6931472] with shape: [1]
.. py:function:: sample(shape, seed=0)
生成指定维度的样本
参数：
- **shape** (list) - 1维列表，指定生成样本的维度。数据类型为int32。
- **seed** (int) - 长整型数。
返回：预先设计好维度的张量, 数据类型为float32
返回类型：Variable
.. py:function:: entropy()
信息熵
返回：均匀分布的信息熵, 数据类型为float32
返回类型：Variable
.. py:function:: log_prob(value)
对数概率密度函数
参数：
- **value** (Variable) - 输入张量。数据类型为float32或float64。
返回：对数概率, 数据类型与value相同
返回类型：Variable
doc/paddle/api/paddle/fluid/io/load_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_dygraph_jit_load:
load
-----------------
.. py:function:: paddle.fluid.dygraph.jit.load(model_path, configs=None)
:api_attr: 命令式编程模式（动态图)
将接口 :ref:`cn_api_fluid_dygraph_jit_save` 或者 :ref:`cn_api_fluid_io_save_inference_model` 存储的模型载入为 :ref:`cn_api_fluid_dygraph_TranslatedLayer` ，用于预测推理或者fine-tune训练。
.. note::
由于一些历史原因，如果载入的模型是通过 :ref:`cn_api_fluid_io_save_inference_model` 存储的，
在使用它进行fine-tune训练时会存在一些局限：
1. 命令式编程模式不支持 ``LoDTensor`` ，所有原先输入变量或者参数依赖于LoD信息的模型暂时无法使用；
2. 所有存储模型的feed变量都需要被传入 ``Translatedlayer`` 的forward方法；
3. 原模型变量的 ``stop_gradient`` 信息已丢失且无法准确恢复；
4. 原模型参数的 ``trainable`` 信息已丢失且无法准确恢复。
参数：
- **model_path** (str) - 存储模型的目录。
- **configs** (SaveLoadConfig, 可选) - 用于指定额外配置选项的 :ref:`cn_api_fluid_dygraph_jit_SaveLoadConfig` 对象。默认为 ``None``。
返回：TranslatedLayer - 一个能够执行存储模型的 ``Layer`` 对象。
**示例代码**
1. 载入由接口 :ref:`cn_api_fluid_dygraph_jit_save` 存储的模型进行预测推理及fine-tune训练。
.. code-block:: python
import numpy as np
import paddle.fluid as fluid
from paddle.fluid.dygraph import Linear
from paddle.fluid.dygraph import declarative
BATCH_SIZE = 32
BATCH_NUM = 20
def random_batch_reader():
def _get_random_images_and_labels(image_shape, label_shape):
image = np.random.random(size=image_shape).astype('float32')
label = np.random.random(size=label_shape).astype('int64')
return image, label
def __reader__():
for _ in range(BATCH_NUM):
batch_image, batch_label = _get_random_images_and_labels(
[BATCH_SIZE, 784], [BATCH_SIZE, 1])
yield batch_image, batch_label
return __reader__
class LinearNet(fluid.dygraph.Layer):
def __init__(self, in_size, out_size):
super(LinearNet, self).__init__()
self._linear = Linear(in_size, out_size)
@declarative
def forward(self, x):
return self._linear(x)
# 开启命令式编程模式
fluid.enable_dygraph()
# 1. 训练存储模型.
# 创建网络
net = LinearNet(784, 1)
adam = fluid.optimizer.AdamOptimizer(learning_rate=0.1, parameter_list=net.parameters())
# 创建DataLoader
train_loader = fluid.io.DataLoader.from_generator(capacity=5)
train_loader.set_batch_generator(random_batch_reader())
# 训练
for data in train_loader():
img, label = data
label.stop_gradient = True
cost = net(img)
loss = fluid.layers.cross_entropy(cost, label)
avg_loss = fluid.layers.mean(loss)
avg_loss.backward()
adam.minimize(avg_loss)
net.clear_gradients()
model_path = "linear.example.model"
fluid.dygraph.jit.save(
layer=net,
model_path=model_path,
input_spec=[img])
# 2. 载入模型 & 预测
# 载入模型
infer_net = fluid.dygraph.jit.load(model_path)
# 预测
x = fluid.dygraph.to_variable(np.random.random((1, 784)).astype('float32'))
pred = infer_net(x)
# 3. 载入模型 & fine-tune训练
# 载入模型
train_net = fluid.dygraph.jit.load(model_path)
train_net.train()
adam = fluid.optimizer.AdamOptimizer(learning_rate=0.1, parameter_list=train_net.parameters())
# 创建DataLoader
train_loader = fluid.io.DataLoader.from_generator(capacity=5)
train_loader.set_batch_generator(random_batch_reader())
# fine-tune训练
for data in train_loader():
img, label = data
label.stop_gradient = True
cost = train_net(img)
loss = fluid.layers.cross_entropy(cost, label)
avg_loss = fluid.layers.mean(loss)
avg_loss.backward()
adam.minimize(avg_loss)
train_net.clear_gradients()
2. 载入由接口 :ref:`cn_api_fluid_io_save_inference_model` 存储的模型进行预测推理及fine-tune训练。
.. code-block:: python
import numpy as np
import paddle.fluid as fluid
BATCH_SIZE = 32
BATCH_NUM = 20
def random_batch_reader():
def _get_random_images_and_labels(image_shape, label_shape):
image = np.random.random(size=image_shape).astype('float32')
label = np.random.random(size=label_shape).astype('int64')
return image, label
def __reader__():
for _ in range(BATCH_NUM):
batch_image, batch_label = _get_random_images_and_labels(
[BATCH_SIZE, 784], [BATCH_SIZE, 1])
yield batch_image, batch_label
return __reader__
img = fluid.data(name='img', shape=[None, 784], dtype='float32')
label = fluid.data(name='label', shape=[None, 1], dtype='int64')
pred = fluid.layers.fc(input=img, size=10, act='softmax')
loss = fluid.layers.cross_entropy(input=pred, label=label)
avg_loss = fluid.layers.mean(loss)
optimizer = fluid.optimizer.SGD(learning_rate=0.001)
optimizer.minimize(avg_loss)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
loader = fluid.io.DataLoader.from_generator(
feed_list=[img, label], capacity=5, iterable=True)
loader.set_batch_generator(random_batch_reader(), places=place)
# 1. 训练 & 存储预测模型
for data in loader():
exe.run(
fluid.default_main_program(),
feed=data,
fetch_list=[avg_loss])
model_path = "fc.example.model"
fluid.io.save_inference_model(
model_path, ["img"], [pred], exe)
# 开启命令式编程模式
fluid.enable_dygraph()
# 2. 载入模型 & 预测
fc = fluid.dygraph.jit.load(model_path)
x = fluid.dygraph.to_variable(np.random.random((1, 784)).astype('float32'))
pred = fc(x)
# 3. 载入模型 & fine-tune训练
fc = fluid.dygraph.jit.load(model_path)
fc.train()
sgd = fluid.optimizer.SGD(learning_rate=0.001,
parameter_list=fc.parameters())
train_loader = fluid.io.DataLoader.from_generator(capacity=5)
train_loader.set_batch_generator(
random_batch_reader(), places=place)
for data in train_loader():
img, label = data
label.stop_gradient = True
cost = fc(img)
loss = fluid.layers.cross_entropy(cost, label)
avg_loss = fluid.layers.mean(loss)
avg_loss.backward()
sgd.minimize(avg_loss)
doc/paddle/api/paddle/fluid/layers/abs_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_abs:
abs
-------------------------------
.. py:function:: paddle.fluid.layers.abs(x, name=None)
:alias_main: paddle.abs
:alias: paddle.abs,paddle.tensor.abs,paddle.tensor.math.abs
:old_api: paddle.fluid.layers.abs
绝对值激活函数。
.. math::
out = |x|
参数:
- **x** (Variable)- 多维Tensor，数据类型为float32或float64。
- **name** (str) – 该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` ，默认值为None。
返回：表示绝对值结果的Tensor，数据类型与x相同。
返回类型：Variable
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
data = fluid.layers.data(name="input", shape=[32, 784])
result = fluid.layers.abs(data)
doc/paddle/api/paddle/fluid/layers/acos_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_acos:
acos
-------------------------------
.. py:function:: paddle.fluid.layers.acos(x, name=None)
:alias_main: paddle.acos
:alias: paddle.acos,paddle.tensor.acos,paddle.tensor.math.acos
:old_api: paddle.fluid.layers.acos
arccosine激活函数。
.. math::
out = cos^{-1}(x)
参数:
- **x(Variable)** - acos的输入Tensor，数据类型为 float32 或 float64
- **name** (str|None) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。
返回： `acos` 的输出Tensor，数据类型与 `x` 相同。
返回类型： Variable
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
data = fluid.layers.data(name="input", shape=[4])
# if data is [-0.8183, 0.4912, -0.6444, 0.0371]
result = fluid.layers.acos(data)
# result is [2.5293, 1.0573, 2.2711, 1.5336]
doc/paddle/api/paddle/fluid/layers/asin_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_asin:
asin
-------------------------------
.. py:function:: paddle.fluid.layers.asin(x, name=None)
:alias_main: paddle.asin
:alias: paddle.asin,paddle.tensor.asin,paddle.tensor.math.asin
:old_api: paddle.fluid.layers.asin
arcsine激活函数。
.. math::
out = sin^{-1}(x)
参数:
- **x(Variable)** - asin的输入Tensor，数据类型为 float32 或 float64
- **name** (str|None) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。
返回： `asin` 的输出Tensor，数据类型与 `x` 相同。
返回类型： Variable
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
data = fluid.layers.data(name="input", shape=[4])
# if data is [-0.8183, 0.4912, -0.6444, 0.0371]
result = fluid.layers.asin(data)
# result is [-0.9585, 0.5135, -0.7003, 0.0372]
doc/paddle/api/paddle/fluid/layers/atan_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_tensor_atan:
atan
-------------------------------
.. py:function:: paddle.atan(x, name=None, out=None)
arctanh 激活函数。
.. math::
out = tanh^{-1}(x)
参数:
- **x(Variable)** - atan的输入Tensor，数据类型为 float32 或 float64
- **name** (str|None) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。
- **out** (Variable, 可选) – 指定存储运算结果的Tensor。如果设置为None或者不设置，将创建新的Tensor存储运算结果，默认值为None。
返回：返回类型为Variable(Tensor|LoDTensor)， 数据类型同输入一致。
**代码示例**：
.. code-block:: python
import numpy as np
import paddle
import paddle.fluid as fluid
inputs = fluid.layers.data(name="x", shape = [3], dtype='float32')
output = paddle.atan(inputs)
exe = fluid.Executor(fluid.CPUPlace())
exe.run(fluid.default_startup_program())
img = np.array([-0.8183, 0.4912, -0.6444, 0.0371]).astype(np.float32)
res = exe.run(fluid.default_main_program(), feed={'x':img}, fetch_list=[output])
print(res)
#[array([-0.6858003, 0.45658287, -0.5724284, 0.03708299], dtype=float32)]
doc/paddle/api/paddle/fluid/layers/ceil_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_ceil:
ceil
-------------------------------
.. py:function:: paddle.fluid.layers.ceil(x, name=None)
:alias_main: paddle.ceil
:alias: paddle.ceil,paddle.tensor.ceil,paddle.tensor.math.ceil
:old_api: paddle.fluid.layers.ceil
向上取整运算函数。
.. math::
out = \left \lceil x \right \rceil
参数:
- **x** (Variable) - 该OP的输入为多维Tensor。数据类型为float32或float64。
- **name** (str, 可选) - 具体用法请参见 :ref:`api_guide_Name`，一般无需设置，默认值为None。
返回： 输出为Tensor，与 ``x`` 维度相同、数据类型相同。
返回类型： Variable
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
input_ceil = np.array([[-1.5,6],[1,15.6]])
with fluid.dygraph.guard():
x = fluid.dygraph.to_variable(input_ceil)
y = fluid.layers.ceil(x)
print(y.numpy())
# [[-1. 6.]
# [ 1. 16.]]
doc/paddle/api/paddle/fluid/layers/cos_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_cos:
cos
-------------------------------
.. py:function:: paddle.fluid.layers.cos(x, name=None)
:alias_main: paddle.cos
:alias: paddle.cos,paddle.tensor.cos,paddle.tensor.math.cos
:old_api: paddle.fluid.layers.cos
余弦函数。
.. math::
out = cos(x)
参数:
- **x** (Variable) - 该OP的输入为多维Tensor，数据类型为float32，float64。
- **name** (str, 可选) - 具体用法请参见 :ref:`api_guide_Name`，一般无需设置，默认值为None。
返回：输出为Tensor，与 ``x`` 维度相同、数据类型相同。
返回类型：Variable
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
input_cos = np.array([[-1,np.pi],[1,15.6]])
with fluid.dygraph.guard():
x = fluid.dygraph.to_variable(input_cos)
y = fluid.layers.cos(x)
print(y.numpy())
# [[ 0.54030231 -1. ]
# [ 0.54030231 -0.99417763]]
doc/paddle/api/paddle/fluid/layers/cumsum_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_cumsum:
cumsum
-------------------------------
.. py:function:: paddle.fluid.layers.cumsum(x,axis=None,exclusive=None,reverse=None)
:alias_main: paddle.cumsum
:alias: paddle.cumsum,paddle.tensor.cumsum,paddle.tensor.math.cumsum
:old_api: paddle.fluid.layers.cumsum
沿给定轴(axis)的元素的累加和。默认结果的第一个元素和输入的第一个元素一致。如果exlusive为True，结果的第一个元素则为0。
参数：
- **x** (Variable) - 累加的输入，需要进行累加操作的变量Tensor/LoDTensor。
- **axis** (int，可选) - 指明需要累加的维。-1代表最后一维。默认为：-1。
- **exclusive** (bool，可选) - 是否执行exclusive累加。默认为：False。
- **reverse** (bool，可选) - 若为True，则以相反顺序执行累加。默认为：False。
返回：Variable(Tensor)。是累加的结果，即累加器的输出。
返回类型：变量(Variable)。
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
data = fluid.layers.data(name="input", shape=[32, 784])
result = fluid.layers.cumsum(data, axis=0)
doc/paddle/api/paddle/fluid/layers/elementwise_add_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_elementwise_add:
elementwise_add
-------------------------------
.. py:function:: paddle.fluid.layers.elementwise_add(x, y, axis=-1, act=None, name=None)
:alias_main: paddle.elementwise_add
:alias: paddle.elementwise_add,paddle.tensor.elementwise_add,paddle.tensor.math.elementwise_add
:old_api: paddle.fluid.layers.elementwise_add
该OP是逐元素相加算子，输入 ``x`` 与输入 ``y`` 逐元素相加，并将各个位置的输出元素保存到返回结果中。
等式为：
.. math::
Out = X + Y
- :math:`X` ：多维Tensor。
- :math:`Y` ：维度必须小于等于X维度的Tensor。
对于这个运算算子有2种情况：
1. :math:`Y` 的 ``shape`` 与 :math:`X` 相同。
2. :math:`Y` 的 ``shape`` 是 :math:`X` 的连续子序列。
对于情况2:
1. 用 :math:`Y` 匹配 :math:`X` 的形状（shape），其中 ``axis`` 是 :math:`Y` 在 :math:`X` 上的起始维度的位置。
2. 如果 ``axis`` 为-1（默认值），则 :math:`axis= rank(X)-rank(Y)` 。
3. 考虑到子序列， :math:`Y` 的大小为1的尾部维度将被忽略，例如shape（Y）=（2,1）=>（2）。
例如：
.. code-block:: text
shape(X) = (2, 3, 4, 5), shape(Y) = (,)
shape(X) = (2, 3, 4, 5), shape(Y) = (5,)
shape(X) = (2, 3, 4, 5), shape(Y) = (4, 5), with axis=-1(default) or axis=2
shape(X) = (2, 3, 4, 5), shape(Y) = (3, 4), with axis=1
shape(X) = (2, 3, 4, 5), shape(Y) = (2), with axis=0
shape(X) = (2, 3, 4, 5), shape(Y) = (2, 1), with axis=0
参数：
- **x** （Variable）- 多维 ``Tensor`` 或 ``LoDTensor`` 。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64``。
- **y** （Variable）- 多维 ``Tensor`` 或 ``LoDTensor`` 。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64``。
- **axis** （int32，可选）- ``y`` 的维度对应到 ``x`` 维度上时的索引。默认值为 -1。
- **act** （str，可选）- 激活函数名称，作用于输出上。默认值为None。详细请参考 :ref:`api_guide_activations` ， 常见的激活函数有: ``relu`` ``tanh`` ``sigmoid`` 等。
- **name** （str，可选）- 输出的名字。默认值为None。该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` 。
返回： 维度与 ``x`` 相同的 ``Tensor`` 或 ``LoDTensor`` ，数据类型与 ``x`` 相同。
返回类型： Variable。
**代码示例 1**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.array([2, 3, 4]),
"y": np.array([1, 5, 2])
}
x = fluid.layers.data(name="x", shape=[3], dtype='float32')
y = fluid.layers.data(name="y", shape=[3], dtype='float32')
z = fluid.layers.elementwise_add(x, y)
# z = x + y
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) # [3., 8., 6.]
**代码示例 2**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.random.randint(1, 5, size=[2, 3, 4, 5]).astype('float32'),
"y": np.random.randint(1, 5, size=[3, 4]).astype('float32')
}
x = fluid.layers.data(name="x", shape=[2,3,4,5], dtype='float32')
y = fluid.layers.data(name="y", shape=[3,4], dtype='float32')
z = fluid.layers.elementwise_add(x, y, axis=1)
# z = x + y
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) # z.shape=[2,3,4,5]
**代码示例 3**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.random.randint(1, 5, size=[2, 3, 4, 5]).astype('float32'),
"y": np.random.randint(1, 5, size=[5]).astype('float32')
}
x = fluid.layers.data(name="x", shape=[2,3,4,5], dtype='float32')
y = fluid.layers.data(name="y", shape=[5], dtype='float32')
# z = x + y
z = fluid.layers.elementwise_add(x, y, axis=3)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) # z.shape=[2,3,4,5]
doc/paddle/api/paddle/fluid/layers/elementwise_div_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_elementwise_div:
elementwise_div
-------------------------------
.. py:function:: paddle.fluid.layers.elementwise_div(x, y, axis=-1, act=None, name=None)
:alias_main: paddle.elementwise_div
:alias: paddle.elementwise_div,paddle.tensor.elementwise_div,paddle.tensor.math.elementwise_div
:old_api: paddle.fluid.layers.elementwise_div
该OP是逐元素相除算子，输入 ``x`` 与输入 ``y`` 逐元素相除，并将各个位置的输出元素保存到返回结果中。
等式是：
.. math::
Out = X / Y
- :math:`X` ：多维Tensor。
- :math:`Y` ：维度必须小于等于X维度的Tensor。
对于这个运算算子有2种情况：
1. :math:`Y` 的 ``shape`` 与 :math:`X` 相同。
2. :math:`Y` 的 ``shape`` 是 :math:`X` 的连续子序列。
对于情况2:
1. 用 :math:`Y` 匹配 :math:`X` 的形状（shape），其中 ``axis`` 是 :math:`Y` 在 :math:`X` 上的起始维度的位置。
2. 如果 ``axis`` 为-1（默认值），则 :math:`axis= rank(X)-rank(Y)` 。
3. 考虑到子序列， :math:`Y` 的大小为1的尾部维度将被忽略，例如shape（Y）=（2,1）=>（2）。
例如：
.. code-block:: text
shape(X) = (2, 3, 4, 5), shape(Y) = (,)
shape(X) = (2, 3, 4, 5), shape(Y) = (5,)
shape(X) = (2, 3, 4, 5), shape(Y) = (4, 5), with axis=-1(default) or axis=2
shape(X) = (2, 3, 4, 5), shape(Y) = (3, 4), with axis=1
shape(X) = (2, 3, 4, 5), shape(Y) = (2), with axis=0
shape(X) = (2, 3, 4, 5), shape(Y) = (2, 1), with axis=0
参数：
- **x** （Variable）- 多维 ``Tensor`` 或 ``LoDTensor`` 。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64``。
- **y** （Variable）- 多维 ``Tensor`` 或 ``LoDTensor`` 。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64``。
- **axis** （int32，可选）- ``y`` 的维度对应到 ``x`` 维度上时的索引。默认值为 -1。
- **act** （str，可选）- 激活函数名称，作用于输出上。默认值为None。详细请参考 :ref:`api_guide_activations` ， 常见的激活函数有: ``relu`` ``tanh`` ``sigmoid`` 等。
- **name** （str，可选）- 输出的名字。默认值为None。该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` 。
返回： 维度与 ``x`` 相同的 ``Tensor`` 或 ``LoDTensor`` ，数据类型与 ``x`` 相同。
返回类型： Variable。
**代码示例 1**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.array([2, 3, 4]),
"y": np.array([1, 5, 2])
}
x = fluid.layers.data(name="x", shape=[3], dtype='float32')
y = fluid.layers.data(name="y", shape=[3], dtype='float32')
z = fluid.layers.elementwise_div(x, y)
# z = x / y
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) # [2., 0.6, 2.]
**代码示例 2**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.random.randint(1, 5, size=[2, 3, 4, 5]).astype('float32'),
"y": np.random.randint(1, 5, size=[3, 4]).astype('float32')
}
x = fluid.layers.data(name="x", shape=[2,3,4,5], dtype='float32')
y = fluid.layers.data(name="y", shape=[3,4], dtype='float32')
z = fluid.layers.elementwise_div(x, y, axis=1)
# z = x / y
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) # z.shape=[2,3,4,5]
**代码示例 3**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.random.randint(1, 5, size=[2, 3, 4, 5]).astype('float32'),
"y": np.random.randint(1, 5, size=[5]).astype('float32')
}
x = fluid.layers.data(name="x", shape=[2,3,4,5], dtype='float32')
y = fluid.layers.data(name="y", shape=[5], dtype='float32')
z = fluid.layers.elementwise_div(x, y, axis=3)
# z = x / y
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) # z.shape=[2,3,4,5]
doc/paddle/api/paddle/fluid/layers/elementwise_floordiv_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_elementwise_floordiv:
elementwise_floordiv
-------------------------------
.. py:function:: paddle.fluid.layers.elementwise_floordiv(x, y, axis=-1, act=None, name=None)
:alias_main: paddle.elementwise_floordiv
:alias: paddle.elementwise_floordiv,paddle.tensor.elementwise_floordiv,paddle.tensor.math.elementwise_floordiv
:old_api: paddle.fluid.layers.elementwise_floordiv
该OP是逐元素整除算子，输入 ``x`` 与输入 ``y`` 逐元素整除，并将各个位置的输出元素保存到返回结果中。
等式为：
.. math::
Out = X // Y
- :math:`X` ：多维Tensor。
- :math:`Y` ：维度必须小于等于X维度的Tensor。
对于这个运算算子有2种情况：
1. :math:`Y` 的 ``shape`` 与 :math:`X` 相同。
2. :math:`Y` 的 ``shape`` 是 :math:`X` 的连续子序列。
对于情况2:
1. 用 :math:`Y` 匹配 :math:`X` 的形状（shape），其中 ``axis`` 是 :math:`Y` 在 :math:`X` 上的起始维度的位置。
2. 如果 ``axis`` 为-1（默认值），则 :math:`axis= rank(X)-rank(Y)` 。
3. 考虑到子序列， :math:`Y` 的大小为1的尾部维度将被忽略，例如shape（Y）=（2,1）=>（2）。
例如：
.. code-block:: text
shape(X) = (2, 3, 4, 5), shape(Y) = (,)
shape(X) = (2, 3, 4, 5), shape(Y) = (5,)
shape(X) = (2, 3, 4, 5), shape(Y) = (4, 5), with axis=-1(default) or axis=2
shape(X) = (2, 3, 4, 5), shape(Y) = (3, 4), with axis=1
shape(X) = (2, 3, 4, 5), shape(Y) = (2), with axis=0
shape(X) = (2, 3, 4, 5), shape(Y) = (2, 1), with axis=0
参数：
- **x** （Variable）- 多维 ``Tensor`` 或 ``LoDTensor`` 。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64``。
- **y** （Variable）- 多维 ``Tensor`` 或 ``LoDTensor`` 。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64``。
- **axis** （int32，可选）- ``y`` 的维度对应到 ``x`` 维度上时的索引。默认值为 -1。
- **act** （str，可选）- 激活函数名称，作用于输出上。详细请参考 :ref:`api_guide_activations` ， 常见的激活函数有: ``relu`` ``tanh`` ``sigmoid`` 等。如果为None则不添加激活函数。默认值为None。
- **name** （str，可选）- 输出的名字。默认值为None。该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` 。
返回： 维度与 ``x`` 相同的 ``Tensor`` 或 ``LoDTensor`` ，数据类型与 ``x`` 相同。
返回类型： Variable。
**代码示例 1**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.array([2, 3, 4]),
"y": np.array([1, 5, 2])
}
x = fluid.data(name="x", shape=[3], dtype='int64')
y = fluid.data(name="y", shape=[3], dtype='int64')
z = fluid.layers.elementwise_floordiv(x, y)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(), fetch_list=[z.name])
print(z_value) #[2,0,2]
**代码示例 2**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.random.randint(1, 5, size=[2, 3, 4, 5]),
"y": np.random.randint(1, 5, size=[3, 4])
}
x = fluid.data(name="x", shape=[2,3,4,5], dtype='int64')
y = fluid.data(name="y", shape=[3,4], dtype='int64')
z = fluid.layers.elementwise_floordiv(x, y, axis=1)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) # z.shape=[2,3,4,5]
**代码示例 3**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.random.randint(1, 5, size=[2, 3, 4, 5]),
"y": np.random.randint(1, 5, size=[5])
}
x = fluid.data(name="x", shape=[2,3,4,5], dtype='int64')
y = fluid.data(name="y", shape=[5], dtype='int64')
z = fluid.layers.elementwise_floordiv(x, y, axis=3)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) # z.shape=[2,3,4,5]
doc/paddle/api/paddle/fluid/layers/elementwise_max_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_elementwise_max:
elementwise_max
-------------------------------
.. py:function:: paddle.fluid.layers.elementwise_max(x, y, axis=-1, act=None, name=None)
:alias_main: paddle.elementwise_max
:alias: paddle.elementwise_max,paddle.tensor.elementwise_max,paddle.tensor.math.elementwise_max
:old_api: paddle.fluid.layers.elementwise_max
该OP逐元素对比输入的两个多维Tensor，并且把各个位置更大的元素保存到返回结果中。
等式是：
.. math::
Out = max(X, Y)
- :math:`X` ：多维Tensor。
- :math:`Y` ：多维Tensor。
此运算算子有两种情况：
1. :math:`Y` 的 ``shape`` 与 :math:`X` 相同。
2. :math:`Y` 的 ``shape`` 是 :math:`X` 的连续子序列。
对于情况2：
1. 用 :math:`Y` 的 ``shape`` 匹配 :math:`X` 的 ``shape``，其中 ``axis`` 是 :math:`Y` 在 :math:`X` 上的起始维度的位置。
2. 如果 ``axis`` 为-1（默认值），则 :math:`axis = rank（X）-rank（Y）` 。
3. 考虑到子序列， :math:`Y` 的大小为1的尾部维度将被忽略，例如shape（Y）=（2,1）=>（2）。
例如：
.. code-block:: text
shape(X) = (2, 3, 4, 5), shape(Y) = (,)
shape(X) = (2, 3, 4, 5), shape(Y) = (5,)
shape(X) = (2, 3, 4, 5), shape(Y) = (4, 5), with axis=-1(default) or axis=2
shape(X) = (2, 3, 4, 5), shape(Y) = (3, 4), with axis=1
shape(X) = (2, 3, 4, 5), shape(Y) = (2), with axis=0
shape(X) = (2, 3, 4, 5), shape(Y) = (2, 1), with axis=0
参数：
- **x** （Variable）- 多维Tensor。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64`` 。
- **y** （Variable）- 多维Tensor。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64`` 。
- **axis** （int32, 可选）- Y的维度对应到X维度上时的索引。默认值为 -1。
- **act** （string, 可选）- 激活函数名称，作用于输出上。默认值为None。详细请参考 :ref:`api_guide_activations` ， 常见的激活函数有: ``relu`` ``tanh`` ``sigmoid`` 等。
- **name** （string, 可选）- 输出的名字。默认值为None。该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` 。
返回： 维度和数据类型与 ``x`` 相同的多维Tensor。
返回类型： 多维Tensor。
**代码示例 1**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.array([2, 3, 4]),
"y": np.array([1, 5, 2])
}
x = fluid.layers.data(name="x", shape=[3], dtype='float32')
y = fluid.layers.data(name="y", shape=[3], dtype='float32')
z = fluid.layers.elementwise_max(x, y)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) #[2, 5, 4]
**代码示例 2**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.ones((2, 3, 4, 5)).astype('float32'),
"y": np.zeros((3, 4)).astype('float32')
}
x = fluid.layers.data(name="x", shape=[2,3,4,5], dtype='float32')
y = fluid.layers.data(name="y", shape=[3,4], dtype='float32')
z = fluid.layers.elementwise_max(x, y, axis=1)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value)#[[[[1., 1., 1., 1., 1.] .... [1., 1., 1., 1., 1.]]]]
doc/paddle/api/paddle/fluid/layers/elementwise_min_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_elementwise_min:
elementwise_min
-------------------------------
.. py:function:: paddle.fluid.layers.elementwise_min(x, y, axis=-1, act=None, name=None)
:alias_main: paddle.elementwise_min
:alias: paddle.elementwise_min,paddle.tensor.elementwise_min,paddle.tensor.math.elementwise_min
:old_api: paddle.fluid.layers.elementwise_min
该OP逐元素对比输入的两个多维Tensor，并且把各个位置更小的元素保存到返回结果中。
等式是：
.. math::
Out = min(X, Y)
- :math:`X` ：多维Tensor。
- :math:`Y` ：多维Tensor。
此运算算子有两种情况：
1. :math:`Y` 的 ``shape`` 与 :math:`X` 相同。
2. :math:`Y` 的 ``shape`` 是 :math:`X` 的连续子序列。
对于情况2：
1. 用 :math:`Y` 的 ``shape`` 匹配 :math:`X` 的 ``shape``，其中 ``axis`` 是 :math:`Y` 在 :math:`X` 上的起始维度的位置。
2. 如果 ``axis`` 为-1（默认值），则 :math:`axis = rank（X）-rank（Y）` 。
3. 考虑到子序列， :math:`Y` 的大小为1的尾部维度将被忽略，例如shape（Y）=（2,1）=>（2）。
例如：
.. code-block:: text
shape(X) = (2, 3, 4, 5), shape(Y) = (,)
shape(X) = (2, 3, 4, 5), shape(Y) = (5,)
shape(X) = (2, 3, 4, 5), shape(Y) = (4, 5), with axis=-1(default) or axis=2
shape(X) = (2, 3, 4, 5), shape(Y) = (3, 4), with axis=1
shape(X) = (2, 3, 4, 5), shape(Y) = (2), with axis=0
shape(X) = (2, 3, 4, 5), shape(Y) = (2, 1), with axis=0
参数：
- **x** （Variable）- 多维Tensor。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64`` 。
- **y** （Variable）- 多维Tensor。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64`` 。
- **axis** （int32, 可选）- Y的维度对应到X维度上时的索引。默认值为 -1。
- **act** （string, 可选）- 激活函数名称，作用于输出上。默认值为None。详细请参考 :ref:`api_guide_activations` ， 常见的激活函数有: ``relu`` ``tanh`` ``sigmoid`` 等。
- **name** （string, 可选）- 输出的名字。默认值为None。该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` 。
返回： 维度和数据类型与 ``x`` 相同的多维Tensor。
返回类型： 多维Tensor。
**代码示例 1**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.array([2, 3, 4]),
"y": np.array([1, 5, 2])
}
x = fluid.layers.data(name="x", shape=[3], dtype='float32')
y = fluid.layers.data(name="y", shape=[3], dtype='float32')
z = fluid.layers.elementwise_min(x, y)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) #[1, 3, 2]
**代码示例 2**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.ones((2, 3, 4, 5)).astype('float32'),
"y": np.zeros((3, 4)).astype('float32')
}
x = fluid.layers.data(name="x", shape=[2,3,4,5], dtype='float32')
y = fluid.layers.data(name="y", shape=[3,4], dtype='float32')
z = fluid.layers.elementwise_min(x, y, axis=1)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value)#[[[[0., 0., 0., 0., 0.] .... [0., 0., 0., 0., 0.]]]]
doc/paddle/api/paddle/fluid/layers/elementwise_mod_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_elementwise_mod:
elementwise_mod
-------------------------------
.. py:function:: paddle.fluid.layers.elementwise_mod(x, y, axis=-1, act=None, name=None)
:alias_main: paddle.elementwise_mod
:alias: paddle.elementwise_mod,paddle.tensor.elementwise_mod,paddle.tensor.math.elementwise_mod
:old_api: paddle.fluid.layers.elementwise_mod
该OP是逐元素取模算子，输入 ``x`` 与输入 ``y`` 逐元素取模，并将各个位置的输出元素保存到返回结果中。
等式为：
.. math::
Out = X \% Y
- :math:`X` ：多维Tensor。
- :math:`Y` ：维度必须小于等于X维度的Tensor。
对于这个运算算子有2种情况：
1. :math:`Y` 的 ``shape`` 与 :math:`X` 相同。
2. :math:`Y` 的 ``shape`` 是 :math:`X` 的连续子序列。
对于情况2:
1. 用 :math:`Y` 匹配 :math:`X` 的形状（shape），其中 ``axis`` 是 :math:`Y` 在 :math:`X` 上的起始维度的位置。
2. 如果 ``axis`` 为-1（默认值），则 :math:`axis= rank(X)-rank(Y)` 。
3. 考虑到子序列， :math:`Y` 的大小为1的尾部维度将被忽略，例如shape（Y）=（2,1）=>（2）。
例如：
.. code-block:: text
shape(X) = (2, 3, 4, 5), shape(Y) = (,)
shape(X) = (2, 3, 4, 5), shape(Y) = (5,)
shape(X) = (2, 3, 4, 5), shape(Y) = (4, 5), with axis=-1(default) or axis=2
shape(X) = (2, 3, 4, 5), shape(Y) = (3, 4), with axis=1
shape(X) = (2, 3, 4, 5), shape(Y) = (2), with axis=0
shape(X) = (2, 3, 4, 5), shape(Y) = (2, 1), with axis=0
参数：
- **x** （Variable）- 多维 ``Tensor`` 或 ``LoDTensor`` 。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64``。
- **y** （Variable）- 多维 ``Tensor`` 或 ``LoDTensor`` 。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64``。
- **axis** （int32，可选）- ``y`` 的维度对应到 ``x`` 维度上时的索引。默认值为 -1。
- **act** （str，可选）- 激活函数名称，作用于输出上。详细请参考 :ref:`api_guide_activations` ， 常见的激活函数有: ``relu`` ``tanh`` ``sigmoid`` 等。如果为None则不添加激活函数。默认值为None。
- **name** （str，可选）- 输出的名字。默认值为None。该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` 。
返回： 维度与 ``x`` 相同的 ``Tensor`` 或 ``LoDTensor`` ，数据类型与 ``x`` 相同。
返回类型： Variable。
**代码示例 1**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.array([2, 3, 4]),
"y": np.array([1, 5, 2])
}
x = fluid.data(name="x", shape=[3], dtype='int64')
y = fluid.data(name="y", shape=[3], dtype='int64')
z = fluid.layers.elementwise_mod(x, y)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(), fetch_list=[z.name])
print(z_value) #[0,3,0]
**代码示例 2**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.random.randint(1, 5, size=[2, 3, 4, 5]),
"y": np.random.randint(1, 5, size=[3, 4])
}
x = fluid.data(name="x", shape=[2,3,4,5], dtype='int64')
y = fluid.data(name="y", shape=[3,4], dtype='int64')
z = fluid.layers.elementwise_mod(x, y, axis=1)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) # z.shape=[2,3,4,5]
**代码示例 3**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.random.randint(1, 5, size=[2, 3, 4, 5]),
"y": np.random.randint(1, 5, size=[5])
}
x = fluid.data(name="x", shape=[2,3,4,5], dtype='int64')
y = fluid.data(name="y", shape=[5], dtype='int64')
z = fluid.layers.elementwise_mod(x, y, axis=3)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) # z.shape=[2,3,4,5]
doc/paddle/api/paddle/fluid/layers/elementwise_pow_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_elementwise_pow:
elementwise_pow
-------------------------------
.. py:function:: paddle.fluid.layers.elementwise_pow(x, y, axis=-1, act=None, name=None)
:alias_main: paddle.elementwise_pow
:alias: paddle.elementwise_pow,paddle.tensor.elementwise_pow,paddle.tensor.math.elementwise_pow
:old_api: paddle.fluid.layers.elementwise_pow
该OP逐元素对输入Tensor进行幂操作。
等式是：
.. math::
Out = X ^ Y
- :math:`X` ：多维Tensor。
- :math:`Y` ：多维Tensor。
此运算算子有两种情况：
1. :math:`Y` 的 ``shape`` 与 :math:`X` 相同。
2. :math:`Y` 的 ``shape`` 是 :math:`X` 的连续子序列。
对于情况2：
1. 用 :math:`Y` 的 ``shape`` 匹配 :math:`X` 的 ``shape``，其中 ``axis`` 是 :math:`Y` 在 :math:`X` 上的起始维度的位置。
2. 如果 ``axis`` 为-1（默认值），则 :math:`axis = rank（X）-rank（Y）` 。
3. 考虑到子序列， :math:`Y` 的大小为1的尾部维度将被忽略，例如shape（Y）=（2,1）=>（2）。
例如：
.. code-block:: text
shape(X) = (2, 3, 4, 5), shape(Y) = (,)
shape(X) = (2, 3, 4, 5), shape(Y) = (5,)
shape(X) = (2, 3, 4, 5), shape(Y) = (4, 5), with axis=-1(default) or axis=2
shape(X) = (2, 3, 4, 5), shape(Y) = (3, 4), with axis=1
shape(X) = (2, 3, 4, 5), shape(Y) = (2), with axis=0
shape(X) = (2, 3, 4, 5), shape(Y) = (2, 1), with axis=0
参数：
- **x** （Variable）- 多维Tensor。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64`` 。
- **y** （Variable）- 多维Tensor。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64`` 。
- **axis** （int32, 可选）- Y的维度对应到X维度上时的索引。默认值为 -1。
- **act** （string, 可选）- 激活函数名称，作用于输出上。默认值为None。详细请参考 :ref:`api_guide_activations` ， 常见的激活函数有: ``relu`` ``tanh`` ``sigmoid`` 等。
- **name** （string, 可选）- 输出的名字。默认值为None。该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` 。
返回： 维度和数据类型与 ``x`` 相同的多维Tensor。
返回类型： 多维Tensor。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.array([2, 3, 4]),
"y": np.array([1, 5, 2])
}
x = fluid.layers.data(name="x", shape=[3], dtype='float32')
y = fluid.layers.data(name="y", shape=[3], dtype='float32')
z = fluid.layers.elementwise_pow(x, y)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) #[2, 243, 16]
doc/paddle/api/paddle/fluid/layers/elementwise_sub_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_elementwise_sub:
elementwise_sub
-------------------------------
.. py:function:: paddle.fluid.layers.elementwise_sub(x, y, axis=-1, act=None, name=None)
:alias_main: paddle.elementwise_sub
:alias: paddle.elementwise_sub,paddle.tensor.elementwise_sub,paddle.tensor.math.elementwise_sub
:old_api: paddle.fluid.layers.elementwise_sub
该OP是逐元素相减算子，输入 ``x`` 与输入 ``y`` 逐元素相减，并将各个位置的输出元素保存到返回结果中。
等式是：
.. math::
Out = X - Y
- :math:`X` ：多维Tensor。
- :math:`Y` ：维度必须小于等于X维度的Tensor。
对于这个运算算子有2种情况：
1. :math:`Y` 的 ``shape`` 与 :math:`X` 相同。
2. :math:`Y` 的 ``shape`` 是 :math:`X` 的连续子序列。
对于情况2:
1. 用 :math:`Y` 匹配 :math:`X` 的形状（shape），其中 ``axis`` 是 :math:`Y` 在 :math:`X` 上的起始维度的位置。
2. 如果 ``axis`` 为-1（默认值），则 :math:`axis= rank(X)-rank(Y)` 。
3. 考虑到子序列， :math:`Y` 的大小为1的尾部维度将被忽略，例如shape（Y）=（2,1）=>（2）。
例如：
.. code-block:: text
shape(X) = (2, 3, 4, 5), shape(Y) = (,)
shape(X) = (2, 3, 4, 5), shape(Y) = (5,)
shape(X) = (2, 3, 4, 5), shape(Y) = (4, 5), with axis=-1(default) or axis=2
shape(X) = (2, 3, 4, 5), shape(Y) = (3, 4), with axis=1
shape(X) = (2, 3, 4, 5), shape(Y) = (2), with axis=0
shape(X) = (2, 3, 4, 5), shape(Y) = (2, 1), with axis=0
参数：
- **x** （Variable）- 多维 ``Tensor`` 或 ``LoDTensor`` 。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64``。
- **y** （Variable）- 多维 ``Tensor`` 或 ``LoDTensor`` 。数据类型为 ``float32`` 、 ``float64`` 、 ``int32`` 或 ``int64``。
- **axis** （int32，可选）- ``y`` 的维度对应到 ``x`` 维度上时的索引。默认值为 -1。
- **act** （str，可选）- 激活函数名称，作用于输出上。默认值为None。详细请参考 :ref:`api_guide_activations` ， 常见的激活函数有: ``relu`` ``tanh`` ``sigmoid`` 等。
- **name** （str，可选）- 输出的名字。默认值为None。该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` 。
返回： 维度与 ``x`` 相同的 ``Tensor`` 或 ``LoDTensor`` ，数据类型与 ``x`` 相同。
返回类型： Variable。
**代码示例 1**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.array([2, 3, 4]),
"y": np.array([1, 5, 2])
}
x = fluid.layers.data(name="x", shape=[3], dtype='float32')
y = fluid.layers.data(name="y", shape=[3], dtype='float32')
z = fluid.layers.elementwise_sub(x, y)
# z = x - y
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) # [1., -2., 2.]
**代码示例 2**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.random.randint(1, 5, size=[2, 3, 4, 5]).astype('float32'),
"y": np.random.randint(1, 5, size=[3, 4]).astype('float32')
}
x = fluid.layers.data(name="x", shape=[2,3,4,5], dtype='float32')
y = fluid.layers.data(name="y", shape=[3,4], dtype='float32')
z = fluid.layers.elementwise_sub(x, y, axis=1)
# z = x - y
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) # z.shape=[2,3,4,5]
**代码示例 3**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
def gen_data():
return {
"x": np.random.randint(1, 5, size=[2, 3, 4, 5]).astype('float32'),
"y": np.random.randint(1, 5, size=[5]).astype('float32')
}
x = fluid.layers.data(name="x", shape=[2,3,4,5], dtype='float32')
y = fluid.layers.data(name="y", shape=[5], dtype='float32')
z = fluid.layers.elementwise_sub(x, y, axis=3)
# z = x - y
place = fluid.CPUPlace()
exe = fluid.Executor(place)
z_value = exe.run(feed=gen_data(),
fetch_list=[z.name])
print(z_value) # z.shape=[2,3,4,5]
doc/paddle/api/paddle/fluid/layers/erf_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_erf:
erf
-------------------------------
.. py:function:: paddle.fluid.layers.erf(x)
:alias_main: paddle.erf
:alias: paddle.erf,paddle.tensor.erf,paddle.tensor.math.erf,paddle.nn.functional.erf,paddle.nn.functional.activation.erf
:old_api: paddle.fluid.layers.erf
逐元素计算 Erf 激活函数。更多细节请参考 `Error function <https://en.wikipedia.org/wiki/Error_function>`_ 。
.. math::
out = \frac{2}{\sqrt{\pi}} \int_{0}^{x}e^{- \eta^{2}}d\eta
参数：
- **x** (Variable) - Erf Op 的输入，多维 Tensor 或 LoDTensor，数据类型为 float16, float32 或 float64。
返回：
- 多维 Tensor 或 LoDTensor, 数据类型为 float16, float32 或 float64， 和输入 x 的数据类型相同，形状和输入 x 相同。
返回类型：
- Variable
**代码示例**：
.. code-block:: python
# declarative mode
import numpy as np
from paddle import fluid
x = fluid.data(name="x", shape=(-1, 3), dtype="float32")
y = fluid.layers.erf(x)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
start = fluid.default_startup_program()
main = fluid.default_main_program()
data = np.random.randn(2, 3).astype("float32")
exe.run(start)
y_np, = exe.run(main, feed={"x": data}, fetch_list=[y])
data
# array([[ 0.4643714 , -1.1509596 , 1.2538221 ],
# [ 0.34369683, 0.27478245, 1.1805398 ]], dtype=float32)
y_np
# array([[ 0.48863927, -0.8964121 , 0.9237998 ],
# [ 0.37307587, 0.30242872, 0.9049887 ]], dtype=float32)
.. code-block:: python
# imperative mode
import numpy as np
from paddle import fluid
import paddle.fluid.dygraph as dg
data = np.random.randn(2, 3).astype("float32")
place = fluid.CPUPlace()
with dg.guard(place) as g:
x = dg.to_variable(data)
y = fluid.layers.erf(x)
y_np = y.numpy()
data
# array([[ 0.4643714 , -1.1509596 , 1.2538221 ],
# [ 0.34369683, 0.27478245, 1.1805398 ]], dtype=float32)
y_np
# array([[ 0.48863927, -0.8964121 , 0.9237998 ],
# [ 0.37307587, 0.30242872, 0.9049887 ]], dtype=float32)
doc/paddle/api/paddle/fluid/layers/exp_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_exp:
exp
-------------------------------
.. py:function:: paddle.fluid.layers.exp(x, name=None)
:alias_main: paddle.exp
:alias: paddle.exp,paddle.tensor.exp,paddle.tensor.math.exp
:old_api: paddle.fluid.layers.exp
对输入，逐元素进行以自然数e为底指数运算。
.. math::
out = e^x
参数:
- **x** (Variable) - 该OP的输入为多维Tensor。数据类型为float32，float64。
- **name** (str, 可选) - 具体用法请参见 :ref:`api_guide_Name`，一般无需设置，默认值为None。
返回：输出为Tensor，与 ``x`` 维度相同、数据类型相同。
返回类型： Variable
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
input_exp = np.array([[-1.5,6],[1,15.6]])
with fluid.dygraph.guard():
x = fluid.dygraph.to_variable(input_exp)
y = fluid.layers.exp(x)
print(y.numpy())
# [[2.23130160e-01 4.03428793e+02]
# [2.71828183e+00 5.95653801e+06]]
doc/paddle/api/paddle/fluid/layers/flatten_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_flatten:
flatten
-------------------------------
.. py:function:: paddle.fluid.layers.flatten(x, axis=1, name=None)
:alias_main: paddle.flatten
:alias: paddle.flatten,paddle.tensor.flatten,paddle.tensor.manipulation.flatten
:old_api: paddle.fluid.layers.flatten
flatten op将输入的多维Tensor展平成2-D Tensor矩阵
例如：
.. code-block:: text
Case 1:
给定
X.shape = (3, 100, 100, 4)
且
axis = 2
得到:
Out.shape = (3 * 100, 4 * 100)
Case 2:
给定
X.shape = (3, 100, 100, 4)
且
axis = 0
得到:
Out.shape = (1, 3 * 100 * 100 * 4)
参数：
- **x** (Variable) - 一个维度数>=axis 的多维Tensor, 数据类型可以为float32，float64，int8，int32或int64。
- **axis** (int) - flatten展开的分割轴，[0, axis) 轴数据被flatten到输出矩阵的0轴，[axis, R)数据被flatten到输出矩阵的1轴，其中R是输入张量的总维度数。axis的值必须在[0,R]范围内。当 axis=0 时，若输入Tensor的维度为 :math:`[d_0, d_1，… d_n]` ，则输出张量的Tensor维度为 :math:`[1，d_0 * d_1 *… d_n]` ，默认值为1。
- **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回: 一个 2-D Tensor，它包含输入Tensor的数据，但维度发生变化。输入的[0, axis)维将沿axis展平到输出Tensor的0维度，剩余的输入维数展平到输出的1维度。数据类型与输入x相同。
返回类型: Variable
抛出异常：
- ValueError: 如果 x 不是一个Variable
- ValueError: 如果axis的范围不在 [0, rank(x)] 范围内
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
x = fluid.layers.data(name="x", shape=[4, 4, 3], append_batch_size=False, dtype="float32")
# x shape is [4, 4, 3]
out = fluid.layers.flatten(x=x, axis=2)
# out shape is [16, 3]
doc/paddle/api/paddle/fluid/layers/floor_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_floor:
floor
-------------------------------
.. py:function:: paddle.fluid.layers.floor(x, name=None)
:alias_main: paddle.floor
:alias: paddle.floor,paddle.tensor.floor,paddle.tensor.math.floor
:old_api: paddle.fluid.layers.floor
向下取整函数。
.. math::
out = \left \lfloor x \right \rfloor
参数：
- **x** - 该OP的输入为多维Tensor。数据类型必须为float32或float64。
- **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回：输出为Tensor，与 ``x`` 维度相同、数据类型相同。
返回类型：Variable
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
data1 = fluid.layers.fill_constant(shape=[3, 2], value=2.5, dtype='float32') # [[2.5, 2.5], [2.5, 2.5], [2.5, 2.5]]
data2 = fluid.layers.fill_constant(shape=[2, 3], value=-2.5, dtype='float64') # [[-2.5, -2.5, -2.5], [-2.5, -2.5, -2.5]]
result1 = fluid.layers.floor(data1) # [[2., 2.], [2., 2.], [2., 2.]]
result2 = fluid.layers.floor(data2) # [[-3., -3., -3.], [-3., -3., -3.]]
doc/paddle/api/paddle/fluid/layers/hard_shrink_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_hard_shrink:
hard_shrink
-------------------------------
.. py:function:: paddle.fluid.layers.hard_shrink(x,threshold=None)
:alias_main: paddle.nn.functional.hard_shrink
:alias: paddle.nn.functional.hard_shrink,paddle.nn.functional.activation.hard_shrink
:old_api: paddle.fluid.layers.hard_shrink
HardShrink激活函数(HardShrink activation operator)
.. math::
out = \begin{cases}
x, \text{if } x > \lambda \\
x, \text{if } x < -\lambda \\
0, \text{otherwise}
\end{cases}
参数：
- **x** - HardShrink激活函数的输入
- **threshold** (FLOAT)-HardShrink激活函数的threshold值。[默认：0.5]
返回：HardShrink激活函数的输出
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
data = fluid.layers.data(name="input", shape=[784])
result = fluid.layers.hard_shrink(x=data, threshold=0.3)
doc/paddle/api/paddle/fluid/layers/increment_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_increment:
increment
-------------------------------
.. py:function:: paddle.fluid.layers.increment(x, value=1.0, in_place=True)
:alias_main: paddle.increment
:alias: paddle.increment,paddle.tensor.increment,paddle.tensor.math.increment
:old_api: paddle.fluid.layers.increment
使输入Tensor ``x`` 的数据累加 ``value`` , 该OP通常用于循环次数的计数。
参数:
- **x** (Variable) – 元素个数为1的Tensor，数据类型必须为float32，float64，int32，int64。
- **value** (float，可选) – 需要增加的值，默认为1.0。
- **in_place** (bool，可选) – 输出Tensor是否和输入Tensor ``x`` 复用同一块内存，默认为True。
返回：累加计算后的Tensor，形状、数据类型和 ``x`` 一致。
返回类型：Variable
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
counter = fluid.layers.zeros(shape=[1], dtype='float32') # [0.]
fluid.layers.increment(counter) # [1.]
doc/paddle/api/paddle/fluid/layers/log_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_log:
log
-------------------------------
.. py:function:: paddle.fluid.layers.log(x, name=None)
:alias_main: paddle.log
:alias: paddle.log,paddle.tensor.log,paddle.tensor.math.log
:old_api: paddle.fluid.layers.log
Log激活函数（计算自然对数）
.. math::
\\Out=ln(x)\\
参数:
- **x** (Variable) – 该OP的输入为LodTensor/Tensor。数据类型为float32，float64。
- **name** (str，可选) – 该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` ，默认值为None。
返回：Log算子自然对数输出
返回类型: Variable - 该OP的输出为LodTensor/Tensor，数据类型为输入一致。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
# Graph Organizing
x = fluid.layers.data(name="x", shape=[1], dtype="float32")
res = fluid.layers.log(x)
# Create an executor using CPU as an example
exe = fluid.Executor(fluid.CPUPlace())
exe.run(fluid.default_startup_program())
# Execute
x_i = np.array([[1], [2]]).astype(np.float32)
res_val, = exe.run(fluid.default_main_program(), feed={'x':x_i}, fetch_list=[res])
print(res_val) # [[0.], [0.6931472]]
doc/paddle/api/paddle/fluid/layers/margin_rank_loss_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_margin_rank_loss:
margin_rank_loss
-------------------------------
.. py:function:: paddle.fluid.layers.margin_rank_loss(label, left, right, margin=0.1, name=None)
:alias_main: paddle.nn.functional.margin_rank_loss
:alias: paddle.nn.functional.margin_rank_loss,paddle.nn.functional.loss.margin_rank_loss
:old_api: paddle.fluid.layers.margin_rank_loss
margin rank loss（间隔排序损失）层。在排序问题中，它可以比较来自排序网络的输入 ``left`` 和输入 ``right`` 的得分。
可用如下等式定义：
.. math::
rank\_loss = max(0, -label * (left - right) + margin)
参数:
- **label** (Variable) – 表示输入 ``left`` 的真实排序是否高于输入 ``right`` , 数据类型为 float32。
- **left** (Variable) – 输入 ``left`` 的排序得分， 数据类型为 float32 。
- **right** (Variable) – 输入 ``right`` 的排序得分， 数据类型为 float32。
- **margin** (float) – 指定的间隔。
- **name** (str，可选) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。
返回： 排序损失
返回类型: Variable
抛出异常:
- ``ValueError`` - ``label`` , ``left`` , ``right`` 有一者不为Variable类型时，抛出此异常
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
label = fluid.layers.data(name="label", shape=[-1, 1], dtype="float32")
left = fluid.layers.data(name="left", shape=[-1, 1], dtype="float32")
right = fluid.layers.data(name="right", shape=[-1, 1], dtype="float32")
out = fluid.layers.margin_rank_loss(label, left, right)
doc/paddle/api/paddle/fluid/layers/mean_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_mean:
mean
-------------------------------
.. py:function:: paddle.fluid.layers.mean(x, name=None)
:alias_main: paddle.mean
:alias: paddle.mean,paddle.tensor.mean,paddle.tensor.stat.mean
:old_api: paddle.fluid.layers.mean
计算 ``x`` 所有元素的平均值。
参数：
- **x** (Variable) : Tensor 或 LoDTensor。均值运算的输入。
- **name** (basestring | None) : 输出变量的名称。
返回：
- Variable: 包含输出均值的 Tensor / LoDTensor。
返回类型：
- Variable（变量）。
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
import numpy
# Graph Organizing
input = fluid.layers.data(
name='data', shape=[2, 3], dtype='float32')
output = fluid.layers.mean(input)
# Create an executor using CPU as an example
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
# Execute
x_ndarray = numpy.ones([2, 3]).astype(numpy.float32)
res, = exe.run(fluid.default_main_program(),
feed={'data':x_ndarray},
fetch_list=[output])
print(res)
'''
Output Value:
[1.]
'''
doc/paddle/api/paddle/fluid/layers/multiplex_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_multiplex:
multiplex
-------------------------------
.. py:function:: paddle.fluid.layers.multiplex(inputs, index)
:alias_main: paddle.multiplex
:alias: paddle.multiplex,paddle.tensor.multiplex,paddle.tensor.math.multiplex
:old_api: paddle.fluid.layers.multiplex
根据给定的index参数，该OP从每个输入Tensor中选择特定行构造输出Tensor。
设该OP输入包含 :math:`m` 个Tensor，其中 :math:`I_{i}` 代表第i个输入Tensor，:math:`i` 处于区间 :math:`[0,m)`。
设该OP输出为 :math:`O` ，其中 :math:`O[i]` 为输出的第i行，则输出满足： :math:`O[i] = I_{index[i]}[i]`
示例：
.. code-block:: text
# 输入为4个shape为[4,4]的Tensor
inputs = [[[0,0,3,4], [0,1,3,4], [0,2,4,4], [0,3,3,4]],
[[1,0,3,4], [1,1,7,8], [1,2,4,2], [1,3,3,4]],
[[2,0,3,4], [2,1,7,8], [2,2,4,2], [2,3,3,4]],
[[3,0,3,4], [3,1,7,8], [3,2,4,2], [3,3,3,4]]]
# index为shape为[4,1]的Tensor
index = [[3],[0],[1],[2]]
# 输出shape为[4,4]
out = [[3,0,3,4] // out[0] = inputs[index[0]][0] = inputs[3][0] = [3,0,3,4]
[0,1,3,4] // out[1] = inputs[index[1]][1] = inputs[0][1] = [0,1,3,4]
[1,2,4,2] // out[2] = inputs[index[2]][2] = inputs[1][2] = [1,2,4,2]
[2,3,3,4]] // out[3] = inputs[index[3]][3] = inputs[2][3] = [2,3,3,4]
参数：
- **inputs** （list） - 为输入Tensor列表，列表元素为数据类型为float32，float64，int32，int64的多维Tensor。所有输入Tensor的shape应相同，秩必须至少为2。
- **index** （Variable）- 用来选择输入Tensor中的某些行构建输出Tensor的索引，为数据类型为int32或int64、shape为[M, 1]的2-D Tensor，其中M为输入Tensor个数。
返回：进行Multiplex运算后的输出Tensor。
返回类型：Variable(Tensor)。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
x1 = fluid.layers.data(name='x1', shape=[4], dtype='float32')
x2 = fluid.layers.data(name='x2', shape=[4], dtype='float32')
index = fluid.layers.data(name='index', shape=[1], dtype='int32')
out = fluid.layers.multiplex(inputs=[x1, x2], index=index)
exe = fluid.Executor(fluid.CPUPlace())
exe.run(fluid.default_startup_program())
img1 = np.array([[1, 2], [3, 4]]).astype(np.float32)
img2 = np.array([[5, 6], [7, 8]]).astype(np.float32)
index = np.array([[1], [0]]).astype(np.int32)
res = exe.run(fluid.default_main_program(), feed={'x1':img1, 'x2':img2, 'index':index}, fetch_list=[out])
print(res) # [array([[5., 6.], [3., 4.]], dtype=float32)]
doc/paddle/api/paddle/fluid/layers/reciprocal_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_reciprocal:
reciprocal
-------------------------------
.. py:function:: paddle.fluid.layers.reciprocal(x, name=None)
:alias_main: paddle.reciprocal
:alias: paddle.reciprocal,paddle.tensor.reciprocal,paddle.tensor.math.reciprocal
:old_api: paddle.fluid.layers.reciprocal
reciprocal 对输入Tensor取倒数
.. math::
out = \frac{1}{x}
参数:
- **x** - 输入的多维Tensor,支持的数据类型为float32，float64。
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回： 对输入取倒数得到的Tensor，输出Tensor数据类型和维度与输入相同。
**代码示例**：
.. code-block:: python
import paddle
import numpy as np
paddle.enable_imperative()
x_data = np.array([1, 2, 3, 4]).astype(np.float32)
x = paddle.imperative.to_variable(x_data)
res = paddle.%s(x)
print(res.numpy())
doc/paddle/api/paddle/fluid/layers/reduce_max_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_reduce_max:
reduce_max
-------------------------------
.. py:function:: paddle.fluid.layers.reduce_max(input, dim=None, keep_dim=False, name=None)
:alias_main: paddle.reduce_max
:alias: paddle.reduce_max,paddle.tensor.reduce_max,paddle.tensor.math.reduce_max
:old_api: paddle.fluid.layers.reduce_max
该OP是对指定维度上的Tensor元素求最大值运算，并输出相应的计算结果。
参数：
- **input** （Variable）- 输入变量为多维Tensor或LoDTensor，支持数据类型为float32，float64，int32，int64。
- **dim** （list | int ，可选）- 求最大值运算的维度。如果为None，则计算所有元素的最大值并返回包含单个元素的Tensor变量，否则必须在 :math:`[−rank(input),rank(input)]` 范围内。如果 :math:`dim [i] <0` ，则维度将变为 :math:`rank+dim[i]` ，默认值为None。
- **keep_dim** （bool）- 是否在输出Tensor中保留减小的维度。如 keep_dim 为true，否则结果张量的维度将比输入张量小，默认值为False。
- **name** （str ， 可选）- 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回： 在指定dim上进行求最大值运算的Tensor，数据类型和输入数据类型一致。
返回类型： 变量（Variable）
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
# x是一个Tensor，元素如下:
# [[0.2, 0.3, 0.5, 0.9]
# [0.1, 0.2, 0.6, 0.7]]
# 接下来的示例中，我们在每处函数调用后面都标注出了它的结果张量。
x = fluid.data(name='x', shape=[2, 4], dtype='float32')
fluid.layers.reduce_max(x) # [0.9]
fluid.layers.reduce_max(x, dim=0) # [0.2, 0.3, 0.6, 0.9]
fluid.layers.reduce_max(x, dim=-1) # [0.9, 0.7]
fluid.layers.reduce_max(x, dim=1, keep_dim=True) # [[0.9], [0.7]]
# y是一个shape为[2, 2, 2]的Tensor，元素如下:
# [[[1.0, 2.0], [3.0, 4.0]],
# [[5.0, 6.0], [7.0, 8.0]]]
# 接下来的示例中，我们在每处函数调用后面都标注出了它的结果张量。
y = fluid.data(name='y', shape=[2, 2, 2], dtype='float32')
fluid.layers.reduce_max(y, dim=[1, 2]) # [4.0, 8.0]
fluid.layers.reduce_max(y, dim=[0, 1]) # [7.0, 8.0]
doc/paddle/api/paddle/fluid/layers/reduce_min_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_reduce_min:
reduce_min
-------------------------------
.. py:function:: paddle.fluid.layers.reduce_min(input, dim=None, keep_dim=False, name=None)
:alias_main: paddle.reduce_min
:alias: paddle.reduce_min,paddle.tensor.reduce_min,paddle.tensor.math.reduce_min
:old_api: paddle.fluid.layers.reduce_min
该OP是对指定维度上的Tensor元素求最小值运算，并输出相应的计算结果。
参数：
- **input** （Variable）- 输入变量为多维Tensor或LoDTensor，支持数据类型为float32，float64，int32，int64。
- **dim** （list | int ，可选）- 求最小值运算的维度。如果为None，则计算所有元素的最小值并返回包含单个元素的Tensor变量，否则必须在 :math:`[−rank(input),rank(input)]` 范围内。如果 :math:`dim [i] <0` ，则维度将变为 :math:`rank+dim[i]` ，默认值为None。
- **keep_dim** （bool）- 是否在输出Tensor中保留减小的维度。如 keep_dim 为true，否则结果张量的维度将比输入张量小，默认值为False。
- **name** （str ， 可选）- 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回： 在指定dim上进行求最小值运算的Tensor，数据类型和输入数据类型一致。
返回类型： 变量（Variable）
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
# x是一个Tensor，元素如下:
# [[0.2, 0.3, 0.5, 0.9]
# [0.1, 0.2, 0.6, 0.7]]
# 接下来的示例中，我们在每处函数调用后面都标注出了它的结果张量。
x = fluid.data(name='x', shape=[2, 4], dtype='float32')
fluid.layers.reduce_min(x) # [0.1]
fluid.layers.reduce_min(x, dim=0) # [0.1, 0.2, 0.5, 0.7]
fluid.layers.reduce_min(x, dim=-1) # [0.2, 0.1]
fluid.layers.reduce_min(x, dim=1, keep_dim=True) # [[0.2], [0.1]]
# y是一个shape为[2, 2, 2]的Tensor元素如下:
# [[[1.0, 2.0], [3.0, 4.0]],
# [[5.0, 6.0], [7.0, 8.0]]]
# 接下来的示例中，我们在每处函数调用后面都标注出了它的结果张量。
y = fluid.data(name='y', shape=[2, 2, 2], dtype='float32')
fluid.layers.reduce_min(y, dim=[1, 2]) # [1.0, 5.0]
fluid.layers.reduce_min(y, dim=[0, 1]) # [1.0, 2.0]
doc/paddle/api/paddle/fluid/layers/reduce_prod_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_reduce_prod:
reduce_prod
-------------------------------
.. py:function:: paddle.fluid.layers.reduce_prod(input, dim=None, keep_dim=False, name=None)
:alias_main: paddle.reduce_prod
:alias: paddle.reduce_prod,paddle.tensor.reduce_prod,paddle.tensor.math.reduce_prod
:old_api: paddle.fluid.layers.reduce_prod
该OP是对指定维度上的Tensor元素进行求乘积运算，并输出相应的计算结果。
参数：
- **input** （Variable）- 输入变量为多维Tensor或LoDTensor，支持数据类型为float32，float64，int32，int64。
- **dim** （list | int ，可选）- 求乘积运算的维度。如果为None，则计算所有元素的乘积并返回包含单个元素的Tensor变量，否则必须在 :math:`[−rank(input),rank(input)]` 范围内。如果 :math:`dim [i] <0` ，则维度将变为 :math:`rank+dim[i]` ，默认值为None。
- **keep_dim** （bool）- 是否在输出Tensor中保留减小的维度。如 keep_dim 为true，否则结果张量的维度将比输入张量小，默认值为False。
- **name** （str ， 可选）- 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回： 在指定dim上进行求乘积运算的Tensor，数据类型和输入数据类型一致。
返回类型： 变量（Variable）
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
# x是一个Tensor，元素如下:
# [[0.2, 0.3, 0.5, 0.9]
# [0.1, 0.2, 0.6, 0.7]]
# 接下来的示例中，我们在每处函数调用后面都标注出了它的结果张量。
x = fluid.data(name='x', shape=[2, 4], dtype='float32')
fluid.layers.reduce_prod(x) # [0.0002268]
fluid.layers.reduce_prod(x, dim=0) # [0.02, 0.06, 0.3, 0.63]
fluid.layers.reduce_prod(x, dim=-1) # [0.027, 0.0084]
fluid.layers.reduce_prod(x, dim=1,
keep_dim=True) # [[0.027], [0.0084]]
# y 是一个shape为[2, 2, 2]的Tensor元素如下:
# [[[1.0, 2.0], [3.0, 4.0]],
# [[5.0, 6.0], [7.0, 8.0]]]
# 接下来的示例中，我们在每处函数调用后面都标注出了它的结果张量。
y = fluid.data(name='y', shape=[2, 2, 2], dtype='float32')
fluid.layers.reduce_prod(y, dim=[1, 2]) # [24.0, 1680.0]
fluid.layers.reduce_prod(y, dim=[0, 1]) # [105.0, 384.0]
doc/paddle/api/paddle/fluid/layers/reduce_sum_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_reduce_sum:
reduce_sum
-------------------------------
.. py:function:: paddle.fluid.layers.reduce_sum(input, dim=None, keep_dim=False, name=None)
:alias_main: paddle.reduce_sum
:alias: paddle.reduce_sum,paddle.tensor.reduce_sum,paddle.tensor.math.reduce_sum
:old_api: paddle.fluid.layers.reduce_sum
该OP是对指定维度上的Tensor元素进行求和运算，并输出相应的计算结果。
参数：
- **input** （Variable）- 输入变量为多维Tensor或LoDTensor，支持数据类型为float32，float64，int32，int64。
- **dim** （list | int ，可选）- 求和运算的维度。如果为None，则计算所有元素的和并返回包含单个元素的Tensor变量，否则必须在 :math:`[−rank(input),rank(input)]` 范围内。如果 :math:`dim [i] <0` ，则维度将变为 :math:`rank+dim[i]` ，默认值为None。
- **keep_dim** （bool）- 是否在输出Tensor中保留减小的维度。如 keep_dim 为true，否则结果张量的维度将比输入张量小，默认值为False。
- **name** （str ， 可选）- 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回： 在指定dim上进行求和运算的Tensor，数据类型和输入数据类型一致。
返回类型： 变量（Variable）
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
# x是一个Tensor，元素如下:
# [[0.2, 0.3, 0.5, 0.9]
# [0.1, 0.2, 0.6, 0.7]]
# 接下来的示例中，我们在每处函数调用后面都标注出了它的结果张量。
x = fluid.data(name='x', shape=[2, 4], dtype='float32')
fluid.layers.reduce_sum(x) # [3.5]
fluid.layers.reduce_sum(x, dim=0) # [0.3, 0.5, 1.1, 1.6]
fluid.layers.reduce_sum(x, dim=-1) # [1.9, 1.6]
fluid.layers.reduce_sum(x, dim=1, keep_dim=True) # [[1.9], [1.6]]
# y 是一个shape为[2, 2, 2]的Tensor元素如下:
# [[[1, 2], [3, 4]],
# [[5, 6], [7, 8]]]
# 接下来的示例中，我们在每处函数调用后面都标注出了它的结果张量。
y = fluid.data(name='y', shape=[2, 2, 2], dtype='float32')
fluid.layers.reduce_sum(y, dim=[1, 2]) # [10, 26]
fluid.layers.reduce_sum(y, dim=[0, 1]) # [16, 20]
doc/paddle/api/paddle/fluid/layers/round_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_round:
round
-------------------------------
.. py:function:: paddle.fluid.layers.round(x, name=None)
:alias_main: paddle.round
:alias: paddle.round,paddle.tensor.round,paddle.tensor.math.round
:old_api: paddle.fluid.layers.round
该OP将输入中的数值四舍五入到最接近的整数数值。
.. code-block:: python
输入：
x.shape = [4]
x.data = [1.2, -0.9, 3.4, 0.9]
输出：
out.shape = [4]
Out.data = [1., -1., 3., 1.]
参数:
- **x** (Variable) - 支持任意维度的Tensor。数据类型为float32，float64或float16。
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回：返回类型为Variable(Tensor|LoDTensor)， 数据类型同输入一致。
**代码示例**：
.. code-block:: python
import numpy as np
import paddle.fluid as fluid
inputs = fluid.layers.data(name="x", shape = [3], dtype='float32')
output = fluid.layers.round(inputs)
exe = fluid.Executor(fluid.CPUPlace())
exe.run(fluid.default_startup_program())
img = np.array([1.2, -0.9, 3.4, 0.9]).astype(np.float32)
res = exe.run(fluid.default_main_program(), feed={'x':img}, fetch_list=[output])
print(res)
# [array([ 1., -1., 3., 1.], dtype=float32)]
doc/paddle/api/paddle/fluid/layers/rsqrt_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_rsqrt:
rsqrt
-------------------------------
.. py:function:: paddle.fluid.layers.rsqrt(x, name=None)
:alias_main: paddle.rsqrt
:alias: paddle.rsqrt,paddle.tensor.rsqrt,paddle.tensor.math.rsqrt
:old_api: paddle.fluid.layers.rsqrt
该OP为rsqrt激活函数。
注：输入x应确保为非 **0** 值，否则程序会抛异常退出。
其运算公式如下：
.. math::
out = \frac{1}{\sqrt{x}}
参数:
- **x** (Variable) – 输入是多维Tensor或LoDTensor，数据类型可以是float32和float64。
- **name** (str，可选）— 这一层的名称（可选）。如果设置为None，则将自动命名这一层。默认值为None。
返回：对输入x进行rsqrt激活函数计算后的Tensor或LoDTensor，数据shape和输入x的shape一致。
返回类型：Variable，数据类型和输入数据类型一致。
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
data = fluid.data(name="input", shape=[32, 784])
result = fluid.layers.rsqrt(data)
doc/paddle/api/paddle/fluid/layers/scale_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_scale:
scale
-------------------------------
.. py:function:: paddle.fluid.layers.scale(x, scale=1.0, bias=0.0, bias_after_scale=True, act=None, name=None)
:alias_main: paddle.scale
:alias: paddle.scale,paddle.tensor.scale,paddle.tensor.math.scale
:old_api: paddle.fluid.layers.scale
缩放算子。
对输入Tensor进行缩放和偏置，其公式如下：
``bias_after_scale`` 为True:
.. math::
Out=scale*X+bias
``bias_after_scale`` 为False:
.. math::
Out=scale*(X+bias)
参数:
- **x** (Variable) - 要进行缩放的多维Tensor，数据类型可以为float32，float64，int8，int16，int32，int64，uint8。
- **scale** (float|Variable) - 缩放的比例，是一个float类型或者一个shape为[1]，数据类型为float32的Variable类型。
- **bias** (float) - 缩放的偏置。
- **bias_after_scale** (bool) - 判断在缩放之前或之后添加偏置。为True时，先缩放再偏置；为False时，先偏置再缩放。该参数在某些情况下，对数值稳定性很有用。
- **act** (str，可选) - 应用于输出的激活函数，如tanh、softmax、sigmoid、relu等。
- **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回: 缩放后的输出Tensor。
返回类型: Variable(Tensor|LoDTensor)。
**代码示例：**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
inputs = fluid.layers.data(name="x", shape=[2, 3], dtype='float32')
output = fluid.layers.scale(inputs, scale = 2.0, bias = 1.0)
exe = fluid.Executor(fluid.CPUPlace())
exe.run(fluid.default_startup_program())
img = np.array([[1, 2, 3], [4, 5, 6]]).astype(np.float32)
res = exe.run(fluid.default_main_program(), feed={'x':img}, fetch_list=[output])
print(res) # [array([[ 3., 5., 7.], [ 9., 11., 13.]], dtype=float32)]
.. code-block:: python
# scale with parameter scale as Variable
import paddle.fluid as fluid
import numpy as np
inputs = fluid.layers.data(name="x", shape=[2, 3], dtype='float32')
scale = fluid.layers.data(name="scale", shape=[1], dtype='float32',
append_batch_size=False)
output = fluid.layers.scale(inputs, scale = scale, bias = 1.0)
exe = fluid.Executor(fluid.CPUPlace())
exe.run(fluid.default_startup_program())
img = np.array([[1, 2, 3], [4, 5, 6]]).astype(np.float32)
scale_np = np.array([2.]).astype(np.float32)
res = exe.run(fluid.default_main_program(), feed={'x':img, 'scale':scale_np}, fetch_list=[output])
print(res) # [array([[ 3., 5., 7.], [ 9., 11., 13.]], dtype=float32)]
doc/paddle/api/paddle/fluid/layers/sign_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_sign:
sign
-------------------------------
.. py:function:: paddle.fluid.layers.sign(x)
:alias_main: paddle.sign
:alias: paddle.sign,paddle.tensor.sign,paddle.tensor.math.sign
:old_api: paddle.fluid.layers.sign
此OP对输入x中每个元素进行正负判断，并且输出正负判断值：1代表正，-1代表负，0代表零。
参数：
- **x** (Variable|numpy.ndarray) – 进行正负值判断的多维Tensor或者是多维的numpy数组，数据类型为 float32，float64。
返回：输出正负号Tensor，数据的shape大小和输入x的数据shape一致。
返回类型：Variable，数据类型和输入数据类型一致。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
data = fluid.layers.sign(np.array([3.0, 0.0, -2.0], dtype='float32'))
# data=[1.0, 0.0, -1.0]
doc/paddle/api/paddle/fluid/layers/square_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_square:
square
-------------------------------
.. py:function:: paddle.fluid.layers.square(x,name=None)
:alias_main: paddle.square
:alias: paddle.square,paddle.tensor.square,paddle.tensor.math.square
:old_api: paddle.fluid.layers.square
该OP执行逐元素取平方运算。
.. math::
out = x^2
参数:
- **x** (Variable) - 任意维度的Tensor，支持的数据类型： float32，float64。
- **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回：返回取平方后的Tensor，维度和数据类型同输入一致。
返回类型：Variable
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
data = fluid.layers.data(name="input", shape=[32, 784], dtype='float32')
result = fluid.layers.square(data) #result.shape=[32, 784], type=float32
doc/paddle/api/paddle/fluid/layers/stanh_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_stanh:
stanh
-------------------------------
.. py:function:: paddle.fluid.layers.stanh(x, scale_a=0.67, scale_b=1.7159, name=None)
:alias_main: paddle.stanh
:alias: paddle.stanh,paddle.tensor.stanh,paddle.tensor.math.stanh
:old_api: paddle.fluid.layers.stanh
STanh 激活算子（STanh Activation Operator.）
.. math::
\\out=b*\frac{e^{a*x}-e^{-a*x}}{e^{a*x}+e^{-a*x}}\\
参数：
- **x** (Tensor|LoDTensor) - 数据类型为float32,float64。STanh operator的输入
- **scale_a** (float) - 输入的a的缩放参数
- **scale_b** (float) - b的缩放参数
- **name** (str|None) - 这个层的名称(可选)。如果设置为None，该层将被自动命名
返回: 与输入shape相同的张量
返回类型: Variable（Tensor），数据类型为float32的Tensor。
**代码示例：**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
data = fluid.layers.data(name="input", shape=[-1, 3])
result = fluid.layers.stanh(data,scale_a=0.67, scale_b=1.72)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
x = np.random.random(size=(3, 3)).astype('float32')
output= exe.run(feed={"input": x},
fetch_list=[result])
print(output)
"""
output:
[array([[0.626466 , 0.89842904, 0.7501062 ],
[0.25147712, 0.7484996 , 0.22902708],
[0.62705994, 0.23110689, 0.56902856]], dtype=float32)]
"""
doc/paddle/api/paddle/fluid/layers/sums_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_sums:
sums
-------------------------------
.. py:function:: paddle.fluid.layers.sums(input,out=None)
:alias_main: paddle.sums
:alias: paddle.sums,paddle.tensor.sums,paddle.tensor.math.sums
:old_api: paddle.fluid.layers.sums
该OP计算多个输入Tensor逐个元素相加的和。
- 示例：3个Tensor求和
.. code-block:: python
输入：
x0.shape = [2, 3]
x0.data = [[1., 2., 3.],
[4., 5., 6.]]
x1.shape = [2, 3]
x1.data = [[10., 20., 30.],
[40., 50., 60.]]
x2.shape = [2, 3]
x2.data = [[100., 200., 300.],
[400., 500., 600.]]
输出：
out.shape = [2, 3]
out.data = [[111., 222., 333.],
[444., 555., 666.]]
参数：
- **input** (list) - 多个维度相同的Tensor组成的元组。支持的数据类型：float32，float64，int32，int64。
- **out** (Variable，可选) - 指定求和的结果Tensor，可以是程序中已经创建的任何Variable。默认值为None，此时将创建新的Variable来保存输出结果。
返回：输入的和，数据类型和维度与输入Tensor相同。若 ``out`` 为 ``None`` ，返回值是一个新的Variable；否则，返回值就是 ``out`` 。
返回类型：Variable
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
x0 = fluid.layers.fill_constant(shape=[16, 32], dtype='int64', value=1)
x1 = fluid.layers.fill_constant(shape=[16, 32], dtype='int64', value=2)
x2 = fluid.layers.fill_constant(shape=[16, 32], dtype='int64', value=3)
x3 = fluid.layers.fill_constant(shape=[16, 32], dtype='int64', value=0)
# 多个Tensor求和，结果保存在一个新建的Variable sum0，即sum0=x0+x1+x2，值为[[6, ..., 6], ..., [6, ..., 6]]
sum0 = fluid.layers.sums(input=[x0, x1, x2])
# 多个Tensor求和，sum1和x3是同一个Variable，相当于x3=x0+x1+x2，值为[[6, ..., 6], ..., [6, ..., 6]]
sum1 = fluid.layers.sums(input=[x0, x1, x2], out=x3)
doc/paddle/api/paddle/fluid/name_scope_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_name_scope:
name_scope
-------------------------------
.. py:function:: paddle.fluid.name_scope(prefix=None)
:api_attr: 声明式编程模式（静态图)
该函数为operators生成不同的命名空间。该函数只用于调试和可视化，不建议用在其它方面。
参数：
- **prefix** (str，可选) - 名称前缀。默认值为None。
**示例代码**
.. code-block:: python
import paddle.fluid as fluid
with fluid.name_scope("s1"):
a = fluid.data(name='data', shape=[None, 1], dtype='int32')
b = a + 1
with fluid.name_scope("s2"):
c = b * 1
with fluid.name_scope("s3"):
d = c / 1
with fluid.name_scope("s1"):
f = fluid.layers.pow(d, 2.0)
with fluid.name_scope("s4"):
g = f - 1
# 没有指定的话默认OP在default main program中。
for op in fluid.default_main_program().block(0).ops:
# elementwise_add在/s1/中创建
if op.type == 'elementwise_add':
assert op.desc.attr("op_namescope") == '/s1/'
# elementwise_mul在/s1/s2中创建
elif op.type == 'elementwise_mul':
assert op.desc.attr("op_namescope") == '/s1/s2/'
# elementwise_div在/s1/s3中创建
elif op.type == 'elementwise_div':
assert op.desc.attr("op_namescope") == '/s1/s3/'
# elementwise_sum在/s4/中创建
elif op.type == 'elementwise_sub':
assert op.desc.attr("op_namescope") == '/s4/'
# pow在/s1_1/中创建
elif op.type == 'pow':
assert op.desc.attr("op_namescope") == '/s1_1/'
doc/paddle/api/paddle/fluid/program_guard_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_program_guard:
program_guard
-------------------------------
.. py:function:: paddle.fluid.program_guard(main_program, startup_program=None)
:api_attr: 声明式编程模式（静态图)
该接口应配合使用python的 ``with`` 语句来将 ``with`` block 里的算子和变量添加进指定的全局主程序（main program）和启动程序（startup program）。
``with`` 语句块中的fluid.layers下各接口将在新的main program（主程序）中添加operators（算子）和variables（变量）。
参数：
- **main_program** (Program) – “with”语句中将使用的新的main program。
- **startup_program** (Program，可选) – “with”语句中将使用的新的startup program。若传入 ``None`` 则不改变当前的启动程序，即仍使用default_startup_program。默认值为None。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
main_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(main_program, startup_program):
data = fluid.data(name='image', shape=[None, 784, 784], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10, act='relu')
例如，当组的网不需要startup_program初始化各变量时，可以传入一个临时的program。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
main_program = fluid.Program()
# 如果您不需要关心startup program,传入一个临时值即可
with fluid.program_guard(main_program, fluid.Program()):
data = fluid.data(name='image', shape=[None, 784, 784], dtype='float32')
doc/paddle/api/paddle/fluid/save_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_dygraph_jit_save:
save
-----------------
.. py:function:: paddle.fluid.dygraph.jit.save(layer, model_path, input_spec=None, configs=None)
将输入的经过 ``@declarative`` 装饰的 :ref:`cn_api_fluid_dygraph_Layer` 存储为 :ref:`cn_api_fluid_dygraph_TranslatedLayer` 格式的模型，
载入后可用于预测推理或者fine-tune训练。
该接口将会将输入 :ref:`cn_api_fluid_dygraph_Layer` 转写后的模型结构 ``Program`` 和所有必要的持久参数变量存储至输入路径 ``model_path`` 中。
默认存储的 ``Program`` 文件名为 ``__model__``， 默认存储持久参数变量的文件名为 ``__variables__``，
同时会将变量的一些描述信息存储至文件 ``__variables.info__``，这些额外的信息将在fine-tune训练中使用。
存储的模型能够被以下API载入使用：
- :ref:`cn_api_fluid_dygraph_jit_load`
- :ref:`cn_api_fluid_io_load_inference_model` （需要配置参数 ``params_filename='__variables__'`` ）
- 其他预测库API
参数：
- **layer** (Layer) - 需要存储的 :ref:`cn_api_fluid_dygraph_Layer` 对象。输入的 ``Layer`` 需要经过 ``@declarative`` 装饰。
- **model_path** (str) - 存储模型的目录。
- **input_spec** (list[Variable], 可选) - 描述存储模型的输入。此参数是传入当前存储的 ``TranslatedLayer`` forward方法的一个示例输入。如果为 ``None`` ，所有原 ``Layer`` forward方法的输入变量将都会被配置为存储模型的输入变量。默认为 ``None``。
- **configs** (SaveLoadConfig, 可选) - 用于指定额外配置选项的 :ref:`cn_api_fluid_dygraph_jit_SaveLoadConfig` 对象。默认为 ``None``。
返回：无
**示例代码**
.. code-block:: python
import numpy as np
import paddle.fluid as fluid
from paddle.fluid.dygraph import Linear
from paddle.fluid.dygraph import declarative
BATCH_SIZE = 32
BATCH_NUM = 20
def random_batch_reader():
def _get_random_images_and_labels(image_shape, label_shape):
image = np.random.random(size=image_shape).astype('float32')
label = np.random.random(size=label_shape).astype('int64')
return image, label
def __reader__():
for _ in range(BATCH_NUM):
batch_image, batch_label = _get_random_images_and_labels(
[BATCH_SIZE, 784], [BATCH_SIZE, 1])
yield batch_image, batch_label
return __reader__
class LinearNet(fluid.dygraph.Layer):
def __init__(self, in_size, out_size):
super(LinearNet, self).__init__()
self._linear = Linear(in_size, out_size)
@declarative
def forward(self, x):
return self._linear(x)
# 开启命令式编程模式
fluid.enable_dygraph()
# 创建网络
net = LinearNet(784, 1)
adam = fluid.optimizer.AdamOptimizer(learning_rate=0.1, parameter_list=net.parameters())
# 创建DataLoader
train_loader = fluid.io.DataLoader.from_generator(capacity=5)
train_loader.set_batch_generator(random_batch_reader())
# 训练
for data in train_loader():
img, label = data
label.stop_gradient = True
cost = net(img)
loss = fluid.layers.cross_entropy(cost, label)
avg_loss = fluid.layers.mean(loss)
avg_loss.backward()
adam.minimize(avg_loss)
net.clear_gradients()
# 存储模型
model_path = "linear.example.model"
fluid.dygraph.jit.save(
layer=net,
model_path=model_path,
input_spec=[img])
doc/paddle/api/paddle/fluid/scope_guard_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_executor_scope_guard:
scope_guard
-------------------------------
.. py:function:: paddle.fluid.executor.scope_guard (scope)
:api_attr: 声明式编程模式（静态图)
该接口通过 python 的 ``with`` 语句切换作用域（scope）。
作用域记录了变量名和变量 ( :ref:`api_guide_Variable` ) 之间的映射关系，类似于编程语言中的大括号。
如果未调用此接口，所有的变量和变量名都会被记录在默认的全局作用域中。
当用户需要创建同名的变量时，如果不希望同名的变量映射关系被覆盖，则需要通过该接口切换作用域。
通过 ``with`` 语句切换后，``with`` 语句块中所有创建的变量都将分配给新的作用域。
参数：
- **scope** (Scope) - 新的作用域。
返回：无
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy
new_scope = fluid.Scope()
with fluid.scope_guard(new_scope):
fluid.global_scope().var("data").get_tensor().set(numpy.ones((1, 2)), fluid.CPUPlace())
data = numpy.array(new_scope.find_var("data").get_tensor())
print(data) # [[1. 1.]]
doc/paddle/api/paddle/framework/get_default_dtype_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
get
-------------------------------
**版本升级，文档正在开发中**
doc/paddle/api/paddle/framework/load_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_dygraph_jit_load:
load
-----------------
.. py:function:: paddle.fluid.dygraph.jit.load(model_path, configs=None)
:api_attr: 命令式编程模式（动态图)
将接口 :ref:`cn_api_fluid_dygraph_jit_save` 或者 :ref:`cn_api_fluid_io_save_inference_model` 存储的模型载入为 :ref:`cn_api_fluid_dygraph_TranslatedLayer` ，用于预测推理或者fine-tune训练。
.. note::
由于一些历史原因，如果载入的模型是通过 :ref:`cn_api_fluid_io_save_inference_model` 存储的，
在使用它进行fine-tune训练时会存在一些局限：
1. 命令式编程模式不支持 ``LoDTensor`` ，所有原先输入变量或者参数依赖于LoD信息的模型暂时无法使用；
2. 所有存储模型的feed变量都需要被传入 ``Translatedlayer`` 的forward方法；
3. 原模型变量的 ``stop_gradient`` 信息已丢失且无法准确恢复；
4. 原模型参数的 ``trainable`` 信息已丢失且无法准确恢复。
参数：
- **model_path** (str) - 存储模型的目录。
- **configs** (SaveLoadConfig, 可选) - 用于指定额外配置选项的 :ref:`cn_api_fluid_dygraph_jit_SaveLoadConfig` 对象。默认为 ``None``。
返回：TranslatedLayer - 一个能够执行存储模型的 ``Layer`` 对象。
**示例代码**
1. 载入由接口 :ref:`cn_api_fluid_dygraph_jit_save` 存储的模型进行预测推理及fine-tune训练。
.. code-block:: python
import numpy as np
import paddle.fluid as fluid
from paddle.fluid.dygraph import Linear
from paddle.fluid.dygraph import declarative
BATCH_SIZE = 32
BATCH_NUM = 20
def random_batch_reader():
def _get_random_images_and_labels(image_shape, label_shape):
image = np.random.random(size=image_shape).astype('float32')
label = np.random.random(size=label_shape).astype('int64')
return image, label
def __reader__():
for _ in range(BATCH_NUM):
batch_image, batch_label = _get_random_images_and_labels(
[BATCH_SIZE, 784], [BATCH_SIZE, 1])
yield batch_image, batch_label
return __reader__
class LinearNet(fluid.dygraph.Layer):
def __init__(self, in_size, out_size):
super(LinearNet, self).__init__()
self._linear = Linear(in_size, out_size)
@declarative
def forward(self, x):
return self._linear(x)
# 开启命令式编程模式
fluid.enable_dygraph()
# 1. 训练存储模型.
# 创建网络
net = LinearNet(784, 1)
adam = fluid.optimizer.AdamOptimizer(learning_rate=0.1, parameter_list=net.parameters())
# 创建DataLoader
train_loader = fluid.io.DataLoader.from_generator(capacity=5)
train_loader.set_batch_generator(random_batch_reader())
# 训练
for data in train_loader():
img, label = data
label.stop_gradient = True
cost = net(img)
loss = fluid.layers.cross_entropy(cost, label)
avg_loss = fluid.layers.mean(loss)
avg_loss.backward()
adam.minimize(avg_loss)
net.clear_gradients()
model_path = "linear.example.model"
fluid.dygraph.jit.save(
layer=net,
model_path=model_path,
input_spec=[img])
# 2. 载入模型 & 预测
# 载入模型
infer_net = fluid.dygraph.jit.load(model_path)
# 预测
x = fluid.dygraph.to_variable(np.random.random((1, 784)).astype('float32'))
pred = infer_net(x)
# 3. 载入模型 & fine-tune训练
# 载入模型
train_net = fluid.dygraph.jit.load(model_path)
train_net.train()
adam = fluid.optimizer.AdamOptimizer(learning_rate=0.1, parameter_list=train_net.parameters())
# 创建DataLoader
train_loader = fluid.io.DataLoader.from_generator(capacity=5)
train_loader.set_batch_generator(random_batch_reader())
# fine-tune训练
for data in train_loader():
img, label = data
label.stop_gradient = True
cost = train_net(img)
loss = fluid.layers.cross_entropy(cost, label)
avg_loss = fluid.layers.mean(loss)
avg_loss.backward()
adam.minimize(avg_loss)
train_net.clear_gradients()
2. 载入由接口 :ref:`cn_api_fluid_io_save_inference_model` 存储的模型进行预测推理及fine-tune训练。
.. code-block:: python
import numpy as np
import paddle.fluid as fluid
BATCH_SIZE = 32
BATCH_NUM = 20
def random_batch_reader():
def _get_random_images_and_labels(image_shape, label_shape):
image = np.random.random(size=image_shape).astype('float32')
label = np.random.random(size=label_shape).astype('int64')
return image, label
def __reader__():
for _ in range(BATCH_NUM):
batch_image, batch_label = _get_random_images_and_labels(
[BATCH_SIZE, 784], [BATCH_SIZE, 1])
yield batch_image, batch_label
return __reader__
img = fluid.data(name='img', shape=[None, 784], dtype='float32')
label = fluid.data(name='label', shape=[None, 1], dtype='int64')
pred = fluid.layers.fc(input=img, size=10, act='softmax')
loss = fluid.layers.cross_entropy(input=pred, label=label)
avg_loss = fluid.layers.mean(loss)
optimizer = fluid.optimizer.SGD(learning_rate=0.001)
optimizer.minimize(avg_loss)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
loader = fluid.io.DataLoader.from_generator(
feed_list=[img, label], capacity=5, iterable=True)
loader.set_batch_generator(random_batch_reader(), places=place)
# 1. 训练 & 存储预测模型
for data in loader():
exe.run(
fluid.default_main_program(),
feed=data,
fetch_list=[avg_loss])
model_path = "fc.example.model"
fluid.io.save_inference_model(
model_path, ["img"], [pred], exe)
# 开启命令式编程模式
fluid.enable_dygraph()
# 2. 载入模型 & 预测
fc = fluid.dygraph.jit.load(model_path)
x = fluid.dygraph.to_variable(np.random.random((1, 784)).astype('float32'))
pred = fc(x)
# 3. 载入模型 & fine-tune训练
fc = fluid.dygraph.jit.load(model_path)
fc.train()
sgd = fluid.optimizer.SGD(learning_rate=0.001,
parameter_list=fc.parameters())
train_loader = fluid.io.DataLoader.from_generator(capacity=5)
train_loader.set_batch_generator(
random_batch_reader(), places=place)
for data in train_loader():
img, label = data
label.stop_gradient = True
cost = fc(img)
loss = fluid.layers.cross_entropy(cost, label)
avg_loss = fluid.layers.mean(loss)
avg_loss.backward()
sgd.minimize(avg_loss)
doc/paddle/api/paddle/framework/save_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_dygraph_jit_save:
save
-----------------
.. py:function:: paddle.fluid.dygraph.jit.save(layer, model_path, input_spec=None, configs=None)
将输入的经过 ``@declarative`` 装饰的 :ref:`cn_api_fluid_dygraph_Layer` 存储为 :ref:`cn_api_fluid_dygraph_TranslatedLayer` 格式的模型，
载入后可用于预测推理或者fine-tune训练。
该接口将会将输入 :ref:`cn_api_fluid_dygraph_Layer` 转写后的模型结构 ``Program`` 和所有必要的持久参数变量存储至输入路径 ``model_path`` 中。
默认存储的 ``Program`` 文件名为 ``__model__``， 默认存储持久参数变量的文件名为 ``__variables__``，
同时会将变量的一些描述信息存储至文件 ``__variables.info__``，这些额外的信息将在fine-tune训练中使用。
存储的模型能够被以下API载入使用：
- :ref:`cn_api_fluid_dygraph_jit_load`
- :ref:`cn_api_fluid_io_load_inference_model` （需要配置参数 ``params_filename='__variables__'`` ）
- 其他预测库API
参数：
- **layer** (Layer) - 需要存储的 :ref:`cn_api_fluid_dygraph_Layer` 对象。输入的 ``Layer`` 需要经过 ``@declarative`` 装饰。
- **model_path** (str) - 存储模型的目录。
- **input_spec** (list[Variable], 可选) - 描述存储模型的输入。此参数是传入当前存储的 ``TranslatedLayer`` forward方法的一个示例输入。如果为 ``None`` ，所有原 ``Layer`` forward方法的输入变量将都会被配置为存储模型的输入变量。默认为 ``None``。
- **configs** (SaveLoadConfig, 可选) - 用于指定额外配置选项的 :ref:`cn_api_fluid_dygraph_jit_SaveLoadConfig` 对象。默认为 ``None``。
返回：无
**示例代码**
.. code-block:: python
import numpy as np
import paddle.fluid as fluid
from paddle.fluid.dygraph import Linear
from paddle.fluid.dygraph import declarative
BATCH_SIZE = 32
BATCH_NUM = 20
def random_batch_reader():
def _get_random_images_and_labels(image_shape, label_shape):
image = np.random.random(size=image_shape).astype('float32')
label = np.random.random(size=label_shape).astype('int64')
return image, label
def __reader__():
for _ in range(BATCH_NUM):
batch_image, batch_label = _get_random_images_and_labels(
[BATCH_SIZE, 784], [BATCH_SIZE, 1])
yield batch_image, batch_label
return __reader__
class LinearNet(fluid.dygraph.Layer):
def __init__(self, in_size, out_size):
super(LinearNet, self).__init__()
self._linear = Linear(in_size, out_size)
@declarative
def forward(self, x):
return self._linear(x)
# 开启命令式编程模式
fluid.enable_dygraph()
# 创建网络
net = LinearNet(784, 1)
adam = fluid.optimizer.AdamOptimizer(learning_rate=0.1, parameter_list=net.parameters())
# 创建DataLoader
train_loader = fluid.io.DataLoader.from_generator(capacity=5)
train_loader.set_batch_generator(random_batch_reader())
# 训练
for data in train_loader():
img, label = data
label.stop_gradient = True
cost = net(img)
loss = fluid.layers.cross_entropy(cost, label)
avg_loss = fluid.layers.mean(loss)
avg_loss.backward()
adam.minimize(avg_loss)
net.clear_gradients()
# 存储模型
model_path = "linear.example.model"
fluid.dygraph.jit.save(
layer=net,
model_path=model_path,
input_spec=[img])
doc/paddle/api/paddle/framework/set_default_dtype_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
set
-------------------------------
**版本升级，文档正在开发中**
doc/paddle/api/paddle/jit/load_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_dygraph_jit_load: .. _cn_api_fluid_load:
load load
----------------- -------------------------------
.. py:function:: paddle.fluid.dygraph.jit.load(model_path, configs=None) .. py:function:: paddle.fluid.load(program, model_path, executor=None, var_list=None)
:api_attr: 命令式编程模式（动态图) :api_attr: 声明式编程模式（静态图)
将接口 :ref:`cn_api_fluid_dygraph_jit_save` 或者 :ref:`cn_api_fluid_io_save_inference_model` 存储的模型载入为 :ref:`cn_api_fluid_dygraph_TranslatedLayer` ，用于预测推理或者fine-tune训练。
.. note::
由于一些历史原因，如果载入的模型是通过 :ref:`cn_api_fluid_io_save_inference_model` 存储的，
在使用它进行fine-tune训练时会存在一些局限：
1. 命令式编程模式不支持 ``LoDTensor`` ，所有原先输入变量或者参数依赖于LoD信息的模型暂时无法使用；
2. 所有存储模型的feed变量都需要被传入 ``Translatedlayer`` 的forward方法；
3. 原模型变量的 ``stop_gradient`` 信息已丢失且无法准确恢复；
4. 原模型参数的 ``trainable`` 信息已丢失且无法准确恢复。
参数： 该接口从Program中过滤出参数和优化器信息，然后从文件中获取相应的值。
- **model_path** (str) - 存储模型的目录。
- **configs** (SaveLoadConfig, 可选) - 用于指定额外配置选项的 :ref:`cn_api_fluid_dygraph_jit_SaveLoadConfig` 对象。默认为 ``None``。
返回：TranslatedLayer - 一个能够执行存储模型的 ``Layer`` 对象。 如果Program和加载的文件之间参数的维度或数据类型不匹配，将引发异常。
**示例代码** 该函数还可以加载用[save_params，save_persistables，save_vars]接口保存的模型文件。
当[save_params，save_persistables，save_vars]保存的模型格式为单个大文件时，var_list不能为None。
1. 载入由接口 :ref:`cn_api_fluid_dygraph_jit_save` 存储的模型进行预测推理及fine-tune训练。 参数:
- **program** ( :ref:`cn_api_fluid_Program` ) – 要加载的Program。
- **model_path** (str) – 保存Program的目录名称+文件前缀。格式为 ``目录名称/文件前缀`` 。
- **executor** (Executor, 可选) - 当startup program没有运行时，用于初始化参数的Executor。默认值：None。
- **var_list** (list, 可选) - 指定加载的变量列表，该参数只在加载旧接口[save_params，save_persistables，save_vars]保存的模型文件时使用。当加载的是多个小文件时，变量列表可以是所有加载文件中变量的子集；当加载的单个大文件时，变量列表必须和加载文件中的变量保持一致。
.. code-block:: python 返回: 无
import numpy as np **代码示例**
.. code-block:: python
# example1
import paddle.fluid as fluid import paddle.fluid as fluid
from paddle.fluid.dygraph import Linear
from paddle.fluid.dygraph import declarative x = fluid.data( name="x", shape=[10, 10], dtype='float32')
BATCH_SIZE = 32 y = fluid.layers.fc(x, 10)
BATCH_NUM = 20 z = fluid.layers.fc(y, 10)
def random_batch_reader(): place = fluid.CPUPlace()
def _get_random_images_and_labels(image_shape, label_shape): exe = fluid.Executor(place)
image = np.random.random(size=image_shape).astype('float32') exe.run(fluid.default_startup_program())
label = np.random.random(size=label_shape).astype('int64') fluid.save(fluid.default_main_program(), "./test_path")
return image, label fluid.load(fluid.default_main_program(), "./test_path")
def __reader__():
for _ in range(BATCH_NUM): # example2
batch_image, batch_label = _get_random_images_and_labels( # 注意example1和example2应该分开执行，避免干扰。
[BATCH_SIZE, 784], [BATCH_SIZE, 1])
yield batch_image, batch_label
return __reader__
class LinearNet(fluid.dygraph.Layer):
def __init__(self, in_size, out_size):
super(LinearNet, self).__init__()
self._linear = Linear(in_size, out_size)
@declarative
def forward(self, x):
return self._linear(x)
# 开启命令式编程模式
fluid.enable_dygraph()
# 1. 训练存储模型.
# 创建网络
net = LinearNet(784, 1)
adam = fluid.optimizer.AdamOptimizer(learning_rate=0.1, parameter_list=net.parameters())
# 创建DataLoader
train_loader = fluid.io.DataLoader.from_generator(capacity=5)
train_loader.set_batch_generator(random_batch_reader())
# 训练
for data in train_loader():
img, label = data
label.stop_gradient = True
cost = net(img)
loss = fluid.layers.cross_entropy(cost, label)
avg_loss = fluid.layers.mean(loss)
avg_loss.backward()
adam.minimize(avg_loss)
net.clear_gradients()
model_path = "linear.example.model"
fluid.dygraph.jit.save(
layer=net,
model_path=model_path,
input_spec=[img])
# 2. 载入模型 & 预测
# 载入模型
infer_net = fluid.dygraph.jit.load(model_path)
# 预测
x = fluid.dygraph.to_variable(np.random.random((1, 784)).astype('float32'))
pred = infer_net(x)
# 3. 载入模型 & fine-tune训练
# 载入模型
train_net = fluid.dygraph.jit.load(model_path)
train_net.train()
adam = fluid.optimizer.AdamOptimizer(learning_rate=0.1, parameter_list=train_net.parameters())
# 创建DataLoader
train_loader = fluid.io.DataLoader.from_generator(capacity=5)
train_loader.set_batch_generator(random_batch_reader())
# fine-tune训练
for data in train_loader():
img, label = data
label.stop_gradient = True
cost = train_net(img)
loss = fluid.layers.cross_entropy(cost, label)
avg_loss = fluid.layers.mean(loss)
avg_loss.backward()
adam.minimize(avg_loss)
train_net.clear_gradients()
2. 载入由接口 :ref:`cn_api_fluid_io_save_inference_model` 存储的模型进行预测推理及fine-tune训练。
.. code-block:: python
import numpy as np
import paddle.fluid as fluid import paddle.fluid as fluid
BATCH_SIZE = 32
BATCH_NUM = 20 x = fluid.data( name="x", shape=[10, 10], dtype='float32')
def random_batch_reader(): y = fluid.layers.fc(x, 10)
def _get_random_images_and_labels(image_shape, label_shape): z = fluid.layers.fc(y, 10)
image = np.random.random(size=image_shape).astype('float32')
label = np.random.random(size=label_shape).astype('int64')
return image, label
def __reader__():
for _ in range(BATCH_NUM):
batch_image, batch_label = _get_random_images_and_labels(
[BATCH_SIZE, 784], [BATCH_SIZE, 1])
yield batch_image, batch_label
return __reader__
img = fluid.data(name='img', shape=[None, 784], dtype='float32')
label = fluid.data(name='label', shape=[None, 1], dtype='int64')
pred = fluid.layers.fc(input=img, size=10, act='softmax')
loss = fluid.layers.cross_entropy(input=pred, label=label)
avg_loss = fluid.layers.mean(loss)
optimizer = fluid.optimizer.SGD(learning_rate=0.001)
optimizer.minimize(avg_loss)
place = fluid.CPUPlace() place = fluid.CPUPlace()
exe = fluid.Executor(place) exe = fluid.Executor(place)
exe.run(fluid.default_startup_program()) exe.run(fluid.default_startup_program())
loader = fluid.io.DataLoader.from_generator( fluid.save(fluid.default_main_program(), "./test_path")
feed_list=[img, label], capacity=5, iterable=True) fluid.load(fluid.default_main_program(), "./test_path", exe)
loader.set_batch_generator(random_batch_reader(), places=place)
# 1. 训练 & 存储预测模型
for data in loader():
exe.run(
fluid.default_main_program(),
feed=data,
fetch_list=[avg_loss])
model_path = "fc.example.model"
fluid.io.save_inference_model(
model_path, ["img"], [pred], exe)
# 开启命令式编程模式
fluid.enable_dygraph()
# 2. 载入模型 & 预测
fc = fluid.dygraph.jit.load(model_path)
x = fluid.dygraph.to_variable(np.random.random((1, 784)).astype('float32'))
pred = fc(x)
# 3. 载入模型 & fine-tune训练
fc = fluid.dygraph.jit.load(model_path)
fc.train()
sgd = fluid.optimizer.SGD(learning_rate=0.001,
parameter_list=fc.parameters())
train_loader = fluid.io.DataLoader.from_generator(capacity=5)
train_loader.set_batch_generator(
random_batch_reader(), places=place)
for data in train_loader():
img, label = data
label.stop_gradient = True
cost = fc(img)
loss = fluid.layers.cross_entropy(cost, label)
avg_loss = fluid.layers.mean(loss)
avg_loss.backward()
sgd.minimize(avg_loss)
doc/paddle/api/paddle/jit/save_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_dygraph_jit_save: .. _cn_api_fluid_save:
save save
----------------- -------------------------------
.. py:function:: paddle.fluid.dygraph.jit.save(layer, model_path, input_spec=None, configs=None)
将输入的经过 ``@declarative`` 装饰的 :ref:`cn_api_fluid_dygraph_Layer` 存储为 :ref:`cn_api_fluid_dygraph_TranslatedLayer` 格式的模型， .. py:function:: paddle.fluid.save(program, model_path)
载入后可用于预测推理或者fine-tune训练。
该接口将会将输入 :ref:`cn_api_fluid_dygraph_Layer` 转写后的模型结构 ``Program`` 和所有必要的持久参数变量存储至输入路径 ``model_path`` 中。 :api_attr: 声明式编程模式（静态图)
:alias_main: paddle.save
:alias: paddle.save,paddle.tensor.save,paddle.tensor.io.save
:old_api: paddle.fluid.save
默认存储的 ``Program`` 文件名为 ``__model__``， 默认存储持久参数变量的文件名为 ``__variables__``，
同时会将变量的一些描述信息存储至文件 ``__variables.info__``，这些额外的信息将在fine-tune训练中使用。
存储的模型能够被以下API载入使用：
- :ref:`cn_api_fluid_dygraph_jit_load`
- :ref:`cn_api_fluid_io_load_inference_model` （需要配置参数 ``params_filename='__variables__'`` ）
- 其他预测库API
参数： 该接口将传入的参数、优化器信息和网络描述保存到 ``model_path`` 。
- **layer** (Layer) - 需要存储的 :ref:`cn_api_fluid_dygraph_Layer` 对象。输入的 ``Layer`` 需要经过 ``@declarative`` 装饰。
- **model_path** (str) - 存储模型的目录。
- **input_spec** (list[Variable], 可选) - 描述存储模型的输入。此参数是传入当前存储的 ``TranslatedLayer`` forward方法的一个示例输入。如果为 ``None`` ，所有原 ``Layer`` forward方法的输入变量将都会被配置为存储模型的输入变量。默认为 ``None``。
- **configs** (SaveLoadConfig, 可选) - 用于指定额外配置选项的 :ref:`cn_api_fluid_dygraph_jit_SaveLoadConfig` 对象。默认为 ``None``。
返回：无 参数包含所有的可训练 :ref:`cn_api_fluid_Variable` ，将保存到后缀为 ``.pdparams`` 的文件中。
**示例代码** 优化器信息包含优化器使用的所有变量。对于Adam优化器，包含beta1、beta2、momentum等。
所有信息将保存到后缀为 ``.pdopt`` 的文件中。（如果优化器没有需要保存的变量（如sgd），则不会生成）。
网络描述是程序的描述。它只用于部署。描述将保存到后缀为 ``.pdmodel`` 的文件中。
参数:
- **program** ( :ref:`cn_api_fluid_Program` ) – 要保存的Program。
- **model_path** (str) – 保存program的文件前缀。格式为 ``目录名称/文件前缀``。如果文件前缀为空字符串，会引发异常。
返回: 无
**代码示例**
.. code-block:: python .. code-block:: python
import numpy as np
import paddle.fluid as fluid import paddle.fluid as fluid
from paddle.fluid.dygraph import Linear
from paddle.fluid.dygraph import declarative x = fluid.data(name="x", shape=[10, 10], dtype='float32')
BATCH_SIZE = 32 y = fluid.layers.fc(x, 10)
BATCH_NUM = 20 z = fluid.layers.fc(y, 10)
def random_batch_reader(): place = fluid.CPUPlace()
def _get_random_images_and_labels(image_shape, label_shape): exe = fluid.Executor(place)
image = np.random.random(size=image_shape).astype('float32') exe.run(fluid.default_startup_program())
label = np.random.random(size=label_shape).astype('int64')
return image, label fluid.save(fluid.default_main_program(), "./test_path")
def __reader__():
for _ in range(BATCH_NUM):
batch_image, batch_label = _get_random_images_and_labels(
[BATCH_SIZE, 784], [BATCH_SIZE, 1])
yield batch_image, batch_label
return __reader__
class LinearNet(fluid.dygraph.Layer):
def __init__(self, in_size, out_size):
super(LinearNet, self).__init__()
self._linear = Linear(in_size, out_size)
@declarative
def forward(self, x):
return self._linear(x)
# 开启命令式编程模式
fluid.enable_dygraph()
# 创建网络
net = LinearNet(784, 1)
adam = fluid.optimizer.AdamOptimizer(learning_rate=0.1, parameter_list=net.parameters())
# 创建DataLoader
train_loader = fluid.io.DataLoader.from_generator(capacity=5)
train_loader.set_batch_generator(random_batch_reader())
# 训练
for data in train_loader():
img, label = data
label.stop_gradient = True
cost = net(img)
loss = fluid.layers.cross_entropy(cost, label)
avg_loss = fluid.layers.mean(loss)
avg_loss.backward()
adam.minimize(avg_loss)
net.clear_gradients()
# 存储模型
model_path = "linear.example.model"
fluid.dygraph.jit.save(
layer=net,
model_path=model_path,
input_spec=[img])
doc/paddle/api/paddle/fluid/layers/linspace_cn.rst → doc/paddle/api/paddle/linspace_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_linspace: .. _cn_api_fluid_layers_linspace:
linspace linspace
------------------------------- -------------------------------
.. py:function:: paddle.linspace(start, stop, num, dtype=None, name=None) .. py:function:: paddle.fluid.layers.linspace(start, stop, num, dtype=None, name=None)
:alias_main: paddle.linspace
:alias: paddle.tensor.linspace, paddle.tensor.creation.linspace
该OP返回一个Tensor，Tensor的值为在区间start和stop上均匀间隔的num个值，输出Tensor的长度为num。 该OP返回一个Tensor，Tensor的值为在区间start和stop上均匀间隔的num个值，输出Tensor的长度为num。
**注意：该OP不进行梯度计算** **注意：该OP不进行梯度计算**
参数： 参数：
- **start** (float|Tensor) – ``start`` 是区间开始的变量，可以是一个浮点标量，或是一个shape为[1]的Tensor，该Tensor的数据类型可以是float32或者是float64。 - **start** (float|Tensor) – ``start`` 是区间开始的变量，可以是一个浮点标量，或是一个shape为[1]的Tensor，该Tensor的数据类型可以是float32或者是float64。
- **stop** (float|Tensor) – ``end`` 是区间结束的变量，可以是一个浮点标量，或是一个shape为[1]的Tensor，该Tensor的数据类型可以是float32或者是float64。 - **stop** (float|Tensor) – ``end`` 是区间结束的变量，可以是一个浮点标量，或是一个shape为[1]的Tensor，该Tensor的数据类型可以是float32或者是float64。
- **num** (int|Tensor) – ``num`` 是给定区间内需要划分的区间数，可以是一个整型标量，或是一个shape为[1]的Tensor，该Tensor的数据类型需为int32。 - **num** (int|Tensor) – ``num`` 是给定区间内需要划分的区间数，可以是一个整型标量，或是一个shape为[1]的Tensor，该Tensor的数据类型需为int32。
- **dtype** (np.dtype|core.VarDesc.VarType|str，可选) – 输出Tensor的数据类型，可以是float32或者是float64。如果dtype为None，默认类型为float32。 - **dtype** (string, 可选) – 输出Tensor的数据类型，可以是float32或者是float64，如果dtype的数据类型为None，输出Tensor数据类型为float32。
- **name** （str，可选）- 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。 - **name** （str， 可选）- 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回：输出结果的数据类型是float32或float64，表示等间隔划分结果的1-D Tensor，该Tensor的shape大小为 :math:`[num]` ，在mum为1的情况下，仅返回包含start元素值的Tensor。
返回类型：Variable 返回：表示等间隔划分结果的1-D Tensor，该Tensor的shape大小为 :math:`[num]` ，在mum为1的情况下，仅返回包含start元素值的Tensor。
抛出异常： 抛出异常：
- ``TypeError`` - 当start或者stop的数据类型不是float32或者float64。 - ``TypeError`` - 当start或者stop的数据类型不是float32或者float64。
...@@ -34,7 +29,11 @@ linspace ...@@ -34,7 +29,11 @@ linspace
.. code-block:: python .. code-block:: python
import paddle import paddle.fluid as fluid
data = paddle.linspace(0, 10, 5, dtype='float32') # [0.0, 2.5, 5.0, 7.5, 10.0] data = fluid.layers.linspace(0, 10, 5, 'float32') # [0.0, 2.5, 5.0, 7.5, 10.0]
data = paddle.linspace(0, 10, 1, dtype='float32') # [0.0] data = fluid.layers.linspace(0, 10, 1, 'float32') # [0.0]
doc/paddle/api/paddle/load_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_load:
load
-------------------------------
.. py:function:: paddle.fluid.load(program, model_path, executor=None, var_list=None)
:api_attr: 声明式编程模式（静态图)
该接口从Program中过滤出参数和优化器信息，然后从文件中获取相应的值。
如果Program和加载的文件之间参数的维度或数据类型不匹配，将引发异常。
该函数还可以加载用[save_params，save_persistables，save_vars]接口保存的模型文件。
当[save_params，save_persistables，save_vars]保存的模型格式为单个大文件时，var_list不能为None。
参数:
- **program** ( :ref:`cn_api_fluid_Program` ) – 要加载的Program。
- **model_path** (str) – 保存Program的目录名称+文件前缀。格式为 ``目录名称/文件前缀`` 。
- **executor** (Executor, 可选) - 当startup program没有运行时，用于初始化参数的Executor。默认值：None。
- **var_list** (list, 可选) - 指定加载的变量列表，该参数只在加载旧接口[save_params，save_persistables，save_vars]保存的模型文件时使用。当加载的是多个小文件时，变量列表可以是所有加载文件中变量的子集；当加载的单个大文件时，变量列表必须和加载文件中的变量保持一致。
返回: 无
**代码示例**
.. code-block:: python
# example1
import paddle.fluid as fluid
x = fluid.data( name="x", shape=[10, 10], dtype='float32')
y = fluid.layers.fc(x, 10)
z = fluid.layers.fc(y, 10)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
fluid.save(fluid.default_main_program(), "./test_path")
fluid.load(fluid.default_main_program(), "./test_path")
# example2
# 注意example1和example2应该分开执行，避免干扰。
import paddle.fluid as fluid
x = fluid.data( name="x", shape=[10, 10], dtype='float32')
y = fluid.layers.fc(x, 10)
z = fluid.layers.fc(y, 10)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
fluid.save(fluid.default_main_program(), "./test_path")
fluid.load(fluid.default_main_program(), "./test_path", exe)
doc/paddle/api/paddle/nn/functional/mse_loss_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_mse_loss:
mse_loss
-------------------------------
.. py:function:: paddle.fluid.layers.mse_loss(input,label)
:alias_main: paddle.nn.functional.mse_loss
:alias: paddle.nn.functional.mse_loss,paddle.nn.functional.loss.mse_loss
:old_api: paddle.fluid.layers.mse_loss
该OP用于计算预测值和目标值的均方差误差。
对于预测值input和目标值label，公式为：
.. math::
Out = MEAN((input-label)^{2})
参数：
- **input** (Variable) - 预测值，维度为 :math:`[N_1, N_2, ..., N_k, D]` 的多维Tensor，其中最后一维D是类别数目。数据类型为float32或float64。
- **label** (Variable) - 目标值，维度为 :math:`[N_1, N_2, ..., N_k, D]` 的多维Tensor，其中最后一维D是类别数目。数据类型为float32或float64。
返回：预测值和目标值的均方差
返回类型：变量（Variable）
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
y = fluid.data(name='y', shape=[1], dtype='float32')
y_predict = fluid.data(name='y_predict', shape=[1], dtype='float32')
cost = fluid.layers.mse_loss(input=y_predict, label=y)
doc/paddle/api/paddle/fluid/one_hot_cn.rst → doc/paddle/api/paddle/nn/functional/one_hot_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_one_hot: .. _cn_api_fluid_one_hot:
one_hot one_hot
------------------------------- -------------------------------
.. py:function:: paddle.fluid.layers.one_hot(input, depth, allow_out_of_range=False) .. py:function:: paddle.fluid.one_hot(input, depth, allow_out_of_range=False)
:alias_main: paddle.nn.functional.one_hot
:alias: paddle.nn.functional.one_hot,paddle.nn.functional.common.one_hot
:old_api: paddle.fluid.one_hot
**注意：此OP要求输入Tensor shape的最后一维必须为1。此OP将在未来的版本中被移除！推荐使用fluid.** :ref:`cn_api_fluid_one_hot` 。
该OP将输入（input）中的每个id转换为一个one-hot向量，其长度为 ``depth`` ，该id对应的向量维度上的值为1，其余维度的值为0。 该OP将输入（input）中的每个id转换为一个one-hot向量，其长度为 ``depth`` ，该id对应的向量维度上的值为1，其余维度的值为0。
输出的Tensor（或LoDTensor）的shape是将输入shape的最后一维替换为depth的维度。 输出的Tensor（或LoDTensor）的shape是在输入shape的最后一维后面添加了depth的维度。
- 示例1（allow_out_of_range=False）： - 示例1（allow_out_of_range=False）：
.. code-block:: python .. code-block:: python
输入： 输入：
X.shape = [4, 1] X.shape = [4]
X.data = [[1], [1], [3], [0]] X.data = [1, 1, 3, 0]
depth = 4 depth = 4
输出： 输出：
...@@ -35,8 +36,8 @@ one_hot ...@@ -35,8 +36,8 @@ one_hot
.. code-block:: python .. code-block:: python
输入： 输入：
X.shape = [4, 1] X.shape = [4]
X.data = [[1], [1], [5], [0]] X.data = [1, 1, 5, 0]
depth = 4 depth = 4
allow_out_of_range=True allow_out_of_range=True
...@@ -52,8 +53,8 @@ one_hot ...@@ -52,8 +53,8 @@ one_hot
.. code-block:: python .. code-block:: python
输入： 输入：
X.shape = [4, 1] X.shape = [4]
X.data = [[1], [1], [5], [0]] X.data = [1, 1, 5, 0]
depth = 4 depth = 4
allow_out_of_range=False allow_out_of_range=False
...@@ -62,7 +63,7 @@ one_hot ...@@ -62,7 +63,7 @@ one_hot
参数： 参数：
- **input** (Variable) - 维度为 :math:`[N_1, ..., N_n, 1]` 的多维Tensor或LoDTensor，维度至少两维，且最后一维必须是1。数据类型为int32或int64。 - **input** (Variable) - 维度为 :math:`[N_1, ..., N_n]` 的多维Tensor或LoDTensor，维度至少1维。数据类型为int32或int64。
- **depth** (int) - 用于定义一个one-hot向量的长度。若输入为词id，则 ``depth`` 通常取值为词典大小。 - **depth** (int) - 用于定义一个one-hot向量的长度。若输入为词id，则 ``depth`` 通常取值为词典大小。
- **allow_out_of_range** (bool) - 指明input中所包含的id值是否可以大于depth值。当超过depth时，如果 `allow_out_of_range` 为False，则会抛出 `Illegal value` 的异常；如果设置为True，该id对应的向量为0向量。默认值为False。 - **allow_out_of_range** (bool) - 指明input中所包含的id值是否可以大于depth值。当超过depth时，如果 `allow_out_of_range` 为False，则会抛出 `Illegal value` 的异常；如果设置为True，该id对应的向量为0向量。默认值为False。
...@@ -75,6 +76,6 @@ one_hot ...@@ -75,6 +76,6 @@ one_hot
.. code-block:: python .. code-block:: python
import paddle.fluid as fluid import paddle.fluid as fluid
# 该代码对应上述第一个示例，其中输入label的shape是[4, 1]，输出one_hot_label的shape是[4, 4] # 该代码对应上述第一个示例，其中输入label的shape是[4]，输出one_hot_label的shape是[4, 4]
label = fluid.layers.data(name="label", shape=[4, 1], append_batch_size=False, dtype="int64") label = fluid.layers.data(name="label", shape=[4], append_batch_size=False, dtype="int64")
one_hot_label = fluid.layers.one_hot(input=label, depth=4) one_hot_label = fluid.one_hot(input=label, depth=4)
doc/paddle/api/paddle/nn/functional/softmax_cn.rst 已删除 100755 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_softmax:
softmax
-------------------------------
.. py:function:: paddle.fluid.layers.softmax(input, use_cudnn=False, name=None, axis=-1)
:alias_main: paddle.nn.functional.softmax
:alias: paddle.nn.functional.softmax,paddle.nn.functional.activation.softmax
:old_api: paddle.fluid.layers.softmax
该OP实现了softmax层。OP的计算过程如下：
步骤1：输入 ``input`` 的 ``axis`` 维会被置换到最后一维；
步骤2：将输入 ``Tensor`` 在逻辑上变换为二维矩阵。二维矩阵第一维（列长度）是输入除最后一维之外的其他维度值的乘积，第二维（行长度）和输入 ``axis`` 维的长度相同；对于矩阵的每一行，softmax操作对其进行重新缩放，使得该行的每个元素在 \[0,1\] 范围内，并且总和为1；
步骤3：softmax操作执行完成后，执行步骤1和步骤2的逆运算，将二维矩阵恢复至和输入 ``input`` 相同的维度。
上述步骤2中softmax操作计算过程如下：
- 对于二维矩阵的每一行，计算K维向量（K是输入第 ``axis`` 维的长度）中指定位置的指数值和全部位置指数值的和。
- 指定位置指数值与全部位置指数值之和的比值就是softmax操作的输出。
对于二维矩阵中的第i行和第j列有：
.. math::
Out[i,j] = \frac{exp(X[i,j])}{\sum_j exp(X[i,j])}
- 示例1（矩阵一共有三维。axis = -1，表示沿着最后一维（即第三维）做softmax操作）
.. code-block:: python
输入
X.shape = [2, 3, 4]
X.data = [[[2.0, 3.0, 4.0, 5.0],
[3.0, 4.0, 5.0, 6.0],
[7.0, 8.0, 8.0, 9.0]],
[[1.0, 2.0, 3.0, 4.0],
[5.0, 6.0, 7.0, 8.0],
[6.0, 7.0, 8.0, 9.0]]]
axis = -1
输出
Out.shape = [2, 3, 4]
Out.data = [[[0.0320586 , 0.08714432, 0.23688282, 0.64391426],
[0.0320586 , 0.08714432, 0.23688282, 0.64391426],
[0.07232949, 0.19661193, 0.19661193, 0.53444665]],
[[0.0320586 , 0.08714432, 0.23688282, 0.64391426],
[0.0320586 , 0.08714432, 0.23688282, 0.64391426],
[0.0320586 , 0.08714432, 0.23688282, 0.64391426]]]
- 示例2（矩阵一共有三维。axis = 1，表示沿着第二维做softmax操作）
.. code-block:: python
输入
X.shape = [2, 3, 4]
X.data = [[[2.0, 3.0, 4.0, 5.0],
[3.0, 4.0, 5.0, 6.0],
[7.0, 8.0, 8.0, 9.0]],
[[1.0, 2.0, 3.0, 4.0],
[5.0, 6.0, 7.0, 8.0],
[6.0, 7.0, 8.0, 9.0]]]
axis = 1
输出
Out.shape = [2, 3, 4]
Out.data = [[[0.00657326, 0.00657326, 0.01714783, 0.01714783],
[0.01786798, 0.01786798, 0.04661262, 0.04661262],
[0.97555875, 0.97555875, 0.93623955, 0.93623955]],
[[0.00490169, 0.00490169, 0.00490169, 0.00490169],
[0.26762315, 0.26762315, 0.26762315, 0.26762315],
[0.72747516, 0.72747516, 0.72747516, 0.72747516]]]
参数：
- **input** (Variable) - 任意维度的多维 ``Tensor`` ，数据类型为float32或float64。
- **use_cudnn** (bool, 可选) - 指示是否用cudnn库。当 ``use_cudnn`` 为True时，在安装GPU版本Paddle并且本机安装cudnn库的前提下，使用GPU训练或推理时才有效。默认值：False。
- **name** (str, 可选) - 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
- **axis** (int, 可选) - 指示进行softmax计算的维度索引，其范围应为 :math:`[-1，rank-1]` ，其中rank是输入变量的秩。默认值：-1（表示对最后一维做softmax操作）。
返回：表示softmax操作结果的 ``Tensor`` ，数据类型和 ``input`` 一致，返回维度和 ``input`` 一致。
返回类型：Variable
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
data = fluid.layers.data(name="input", shape=[-1, 3],dtype="float32")
result = fluid.layers.softmax(data,axis=1)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
x = np.random.rand(3, 3).astype("float32")
output= exe.run(feed={"input": x},
fetch_list=[result[0]])
print(output)
doc/paddle/api/paddle/nn/initializer/Normal_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_initializer_Normal:
Normal
-------------------------------
.. py:attribute:: paddle.fluid.initializer.Normal
:alias_main: paddle.nn.initializer.Normal
:alias: paddle.nn.initializer.Normal
:old_api: paddle.fluid.initializer.Normal
``NormalInitializer`` 的别名
doc/paddle/api/paddle/nn/initializer/Uniform_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_initializer_Uniform:
Uniform
-------------------------------
.. py:attribute:: paddle.fluid.initializer.Uniform
:alias_main: paddle.nn.initializer.Uniform
:alias: paddle.nn.initializer.Uniform
:old_api: paddle.fluid.initializer.Uniform
``UniformInitializer`` 的别名
doc/paddle/api/paddle/nn/layer/conv/Conv2D_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_dygraph_Conv2D:
Conv2D Conv2D
------------------------------- -------------------------------
.. py:class:: paddle.nn.Conv2d(num_channels, num_filters, filter_size, padding=0, stride=1, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, name=None, data_format="NCHW", dtype="float32") .. py:class:: paddle.fluid.dygraph.Conv2D(num_channels, num_filters, filter_size, stride=1, padding=0, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, dtype='float32')
:alias_main: paddle.nn.Conv2D
:alias: paddle.nn.Conv2D,paddle.nn.layer.Conv2D,paddle.nn.layer.conv.Conv2D
**二维卷积层**
该OP是二维卷积层（convolution2D layer），根据输入、滤波器、步长（stride）、填充（padding）、膨胀比例（dilations）一组参数计算输出特征层大小。输入和输出是NCHW或NHWC格式，其中N是批尺寸，C是通道数，H是特征高度，W是特征宽度。滤波器是MCHW格式，M是输出图像通道数，C是输入图像通道数，H是滤波器高度，W是滤波器宽度。如果组数(groups)大于1，C等于输入图像通道数除以组数的结果。详情请参考UFLDL's : `卷积 <http://ufldl.stanford.edu/tutorial/supervised/FeatureExtractionUsingConvolution/>`_ 。如果bias_attr不为False，卷积计算会添加偏置项。如果指定了激活函数类型，相应的激活函数会作用在最终结果上。 该接口用于构建 ``Conv2D`` 类的一个可调用对象，具体用法参照 ``代码示例`` 。其将在神经网络中构建一个二维卷积层（Convolution2D Layer），其根据输入、滤波器参数（num_filters、filter_size）、步长（stride）、填充（padding）、膨胀系数（dilation）、组数（groups）参数来计算得到输出特征图。输入和输出是 ``NCHW`` 格式，N是批数据大小，C是特征图个数，H是特征图高度，W是特征图宽度。滤波器的维度是 [M, C, H, W] ，M是输出特征图个数，C是输入特征图个数，H是滤波器高度，W是滤波器宽度。如果组数大于1，C等于输入特征图个数除以组数的结果。如果提供了偏移属性和激活函数类型，卷积的结果会和偏移相加，激活函数会作用在最终结果上。详情请参考： `卷积 <http://ufldl.stanford.edu/tutorial/supervised/FeatureExtractionUsingConvolution/>`_ 。
对每个输入X，有等式： 对每个输入 ``X`` ，有等式：
.. math:: .. math::
Out = \sigma \left ( W * X + b \right ) Out = \sigma \left ( W * X + b \right )
其中： 其中：
- :math:`X` ：输入值，NCHW或NHWC格式的4-D Tensor - :math:`X` ：输入特征图， ``NCHW`` 格式的 ``Tensor``
- :math:`W` ：滤波器值，MCHW格式的4-D Tensor - :math:`W` ：滤波器，维度为 [M, C, H, W] 的 ``Tensor``
- :math:`*` ：卷积操作 - :math:`*` ：卷积操作
- :math:`b` ：偏置值，2-D Tensor，形状为 ``[M,1]`` - :math:`b` ：偏移值，2-D ``Tensor`` ，维度为 ``[M,1]``
- :math:`\sigma` ：激活函数 - :math:`\sigma` ：激活函数
- :math:`Out` ：输出值，NCHW或NHWC格式的4-D Tensor， 和 ``X`` 的形状可能不同 - :math:`Out` ：输出值， ``Out`` 和 ``X`` 的维度可能不同
**示例** **输出维度计算示例**
- 输入： - 输入：
输入形状：:math:`（N,C_{in},H_{in},W_{in}）` 输入维度： :math:`(N,C_{in},H_{in},W_{in})`
滤波器形状： :math:`（C_{out},C_{in},H_{f},W_{f}）` 滤波器维度： :math:`(C_{out},C_{in},H_{f},W_{f})`
- 输出： - 输出：
输出形状： :math:`（N,C_{out},H_{out},W_{out}）` 输出维度： :math:`(N,C_{out},H_{out},W_{out})`
其中 - 其中
.. math:: .. math::
H_{out} &= \frac{\left ( H_{in} + padding\_height\_top + padding\_height\_bottom-\left ( dilation[0]*\left ( H_{f}-1 \right )+1 \right ) \right )}{stride[0]}+1 H_{out} = \frac{\left ( H_{in}+2*paddings[0]-\left ( dilations[0]*\left ( H_{f}-1 \right )+1 \right ) \right )}{strides[0]}+1
W_{out} &= \frac{\left ( W_{in} + padding\_width\_left + padding\_width\_right -\left ( dilation[1]*\left ( W_{f}-1 \right )+1 \right ) \right )}{stride[1]}+1
如果 ``padding`` = "SAME": W_{out} = \frac{\left ( W_{in}+2*paddings[1]-\left ( dilations[1]*\left ( W_{f}-1 \right )+1 \right ) \right )}{strides[1]}+1
.. math:: 参数：
H_{out} = \frac{(H_{in} + stride[0] - 1)}{stride[0]} - **num_channels** (int) - 输入图像的通道数。
- **num_fliters** (int) - 滤波器的个数，和输出特征图个数相同。
.. math:: - **filter_size** (int|tuple) - 滤波器大小。如果 ``filter_size`` 是一个元组，则必须包含两个整型数，分别表示滤波器高度和宽度。否则，表示滤波器高度和宽度均为 ``filter_size`` 。
W_{out} = \frac{(W_{in} + stride[1] - 1)}{stride[1]} - **stride** (int|tuple, 可选) - 步长大小。如果 ``stride`` 为元组，则必须包含两个整型数，分别表示垂直和水平滑动步长。否则，表示垂直和水平滑动步长均为 ``stride`` 。默认值：1。
- **padding** (int|tuple, 可选) - 填充大小。如果 ``padding`` 为元组，则必须包含两个整型数，分别表示竖直和水平边界填充大小。否则，表示竖直和水平边界填充大小均为 ``padding`` 。默认值：0。
- **dilation** (int|tuple, 可选) - 膨胀系数大小。如果 ``dialation`` 为元组，则必须包含两个整型数，分别表示垂直和水平膨胀系数。否则，表示垂直和水平膨胀系数均为 ``dialation`` 。默认值：1。
- **groups** (int, 可选) - 二维卷积层的组数。根据Alex Krizhevsky的深度卷积神经网络（CNN）论文中的分组卷积：当group=2，滤波器的前一半仅和输入特征图的前一半连接。滤波器的后一半仅和输入特征图的后一半连接。默认值：1。
- **param_attr** (ParamAttr, 可选) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **bias_attr** (ParamAttr|bool, 可选) - 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **use_cudnn** (bool, 可选) - 是否用cudnn核，只有已安装cudnn库时才有效。默认值：True。
- **act** (str, 可选) - 应用于输出上的激活函数，如tanh、softmax、sigmoid，relu等，支持列表请参考 :ref:`api_guide_activations` ，默认值：None。
- **dtype** (str, 可选) - 数据类型，可以为"float32"或"float64"。默认值："float32"。
返回：无
如果 ``padding`` = "VALID": 抛出异常：
- ``ValueError`` - 如果 ``use_cudnn`` 不是bool值
.. math:: **代码示例**
H_{out} = \frac{\left ( H_{in} -\left ( dilation[0]*\left ( H_{f}-1 \right )+1 \right ) \right )}{stride[0]}+1
W_{out} = \frac{\left ( W_{in} -\left ( dilation[1]*\left ( W_{f}-1 \right )+1 \right ) \right )}{stride[1]}+1 .. code-block:: python
参数： from paddle.fluid.dygraph.base import to_variable
- **num_channels** (int) - 输入图像的通道数。 import paddle.fluid as fluid
- **num_filters** (int) - 滤波器（卷积核）的个数。和输出图像通道相同。 from paddle.fluid.dygraph import Conv2D
- **filter_size** (int|list|tuple) - 滤波器大小。如果它是一个列表或元组，则必须包含两个整数值：（filter_size_height，filter_size_width）。若为一个整数，filter_size_height = filter_size_width = filter_size。 import numpy as np
- **padding** (int|list|tuple|str，可选) - 填充大小。如果它是一个字符串，可以是"VALID"或者"SAME"，表示填充算法，计算细节可参考上述 ``padding`` = "SAME"或 ``padding`` = "VALID" 时的计算公式。如果它是一个元组或列表，它可以有3种格式：(1)包含4个二元组：当 ``data_format`` 为"NCHW"时为 [[0,0], [0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right]]，当 ``data_format`` 为"NHWC"时为[[0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right], [0,0]]；(2)包含4个整数值：[padding_height_top, padding_height_bottom, padding_width_left, padding_width_right]；(3)包含2个整数值：[padding_height, padding_width]，此时padding_height_top = padding_height_bottom = padding_height， padding_width_left = padding_width_right = padding_width。若为一个整数，padding_height = padding_width = padding。默认值：0。
- **stride** (int|list|tuple，可选) - 步长大小。滤波器和输入进行卷积计算时滑动的步长。如果它是一个列表或元组，则必须包含两个整型数：（stride_height,stride_width）。若为一个整数，stride_height = stride_width = stride。默认值：1。
- **dilation** (int|list|tuple，可选) - 膨胀比例大小。空洞卷积时会使用该参数，滤波器对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。如果膨胀比例为列表或元组，则必须包含两个整型数：（dilation_height,dilation_width）。若为一个整数，dilation_height = dilation_width = dilation。默认值：1。
- **groups** (int，可选) - 二维卷积层的组数。根据Alex Krizhevsky的深度卷积神经网络（CNN）论文中的成组卷积：当group=n，输入和滤波器分别根据通道数量平均分为n组，第一组滤波器和第一组输入进行卷积计算，第二组滤波器和第二组输入进行卷积计算，……，第n组滤波器和第n组输入进行卷积计算。默认值：1。
- **param_attr** (ParamAttr，可选) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **bias_attr** （ParamAttr|bool，可选）- 指定偏置参数属性的对象。若 ``bias_attr`` 为bool类型，只支持为False，表示没有偏置参数。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **use_cudnn** （bool，可选）- 是否使用cudnn内核。只有已安装cudnn库时才有效。默认值：True。
- **act** (str，可选) - 激活函数类型， 如tanh、softmax、sigmoid，relu等，支持列表请参考 :ref:`api_guide_activations` 。如果设为None，则未添加激活函数。默认值：None。
- **name** (str，可选) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值：None。
- **data_format** (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCHW"和"NHWC"。N是批尺寸，C是通道数，H是特征高度，W是特征宽度。默认值："NCHW"。
- **dtype** (str, 可选) – 权重的数据类型，可以为float32或float64。默认为float32。
data = np.random.uniform(-1, 1, [10, 3, 32, 32]).astype('float32')
with fluid.dygraph.guard():
conv2d = Conv2D(3, 2, 3)
data = to_variable(data)
conv = conv2d(data)
属性 属性
:::::::::::: ::::::::::::
.. py:attribute:: weight .. py:attribute:: weight
本层的可学习参数，类型为 ``Parameter`` 本层的可学习参数，类型为 ``Parameter``
.. py:attribute:: bias .. py:attribute:: bias
本层的可学习偏置，类型为 ``Parameter``
返回: 无。
抛出异常：
- ``ValueError`` - 如果 ``use_cudnn`` 不是bool值。
- ``ValueError`` - 如果 ``data_format`` 既不是"NCHW"也不是"NHWC"。
- ``ValueError`` - 如果 ``input`` 的通道数未被明确定义。
- ``ValueError`` - 如果 ``padding`` 是字符串，既不是"SAME"也不是"VALID"。
- ``ValueError`` - 如果 ``padding`` 含有4个二元组，与批尺寸对应维度的值不为0或者与通道对应维度的值不为0。
- ``ShapeError`` - 如果输入不是4-D Tensor。
- ``ShapeError`` - 如果输入和滤波器的维度大小不相同。
- ``ShapeError`` - 如果输入的维度大小与 ``stride`` 之差不是2。
- ``ShapeError`` - 如果输出的通道数不能被 ``groups`` 整除。
**代码示例**：
.. code-block:: python 本层的可学习偏置，类型为 ``Parameter``
import numpy as np
from paddle import fluid
import paddle.fluid.dygraph as dg
from paddle import nn
x = np.random.uniform(-1, 1, (2, 4, 8, 8)).astype('float32')
place = fluid.CPUPlace()
with dg.guard(place):
x_var = dg.to_variable(x)
conv = nn.Conv2D(4, 6, (3, 3))
y_var = conv(x_var)
y_np = y_var.numpy()
print(y_np.shape)
# (2, 6, 6, 6)
doc/paddle/api/paddle/save_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_save:
save
-------------------------------
.. py:function:: paddle.fluid.save(program, model_path)
:api_attr: 声明式编程模式（静态图)
:alias_main: paddle.save
:alias: paddle.save,paddle.tensor.save,paddle.tensor.io.save
:old_api: paddle.fluid.save
该接口将传入的参数、优化器信息和网络描述保存到 ``model_path`` 。
参数包含所有的可训练 :ref:`cn_api_fluid_Variable` ，将保存到后缀为 ``.pdparams`` 的文件中。
优化器信息包含优化器使用的所有变量。对于Adam优化器，包含beta1、beta2、momentum等。
所有信息将保存到后缀为 ``.pdopt`` 的文件中。（如果优化器没有需要保存的变量（如sgd），则不会生成）。
网络描述是程序的描述。它只用于部署。描述将保存到后缀为 ``.pdmodel`` 的文件中。
参数:
- **program** ( :ref:`cn_api_fluid_Program` ) – 要保存的Program。
- **model_path** (str) – 保存program的文件前缀。格式为 ``目录名称/文件前缀``。如果文件前缀为空字符串，会引发异常。
返回: 无
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
x = fluid.data(name="x", shape=[10, 10], dtype='float32')
y = fluid.layers.fc(x, 10)
z = fluid.layers.fc(y, 10)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
fluid.save(fluid.default_main_program(), "./test_path")
doc/paddle/api/paddle/static/global_scope_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_executor_global_scope: .. _cn_api_fluid_global_scope:
global_scope global_scope
------------------------------- -------------------------------
......
doc/paddle/api/paddle/static/nn/batch_norm_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_batch_norm:
batch_norm
-------------------------------
.. py:function:: paddle.fluid.layers.batch_norm(input, act=None, is_test=False, momentum=0.9, epsilon=1e-05, param_attr=None, bias_attr=None, data_layout='NCHW', in_place=False, name=None, moving_mean_name=None, moving_variance_name=None, do_model_average_for_mean_and_var=False, use_global_stats=False)
:api_attr: 声明式编程模式（静态图)
批正则化层（Batch Normalization Layer）
可用作卷积和全连接操作的批正则化函数，根据当前批次数据按通道计算的均值和方差进行正则化。该层需要的数据格式如下：
1.NHWC[batch,in_height,in_width,in_channels]
2.NCHW[batch,in_channels,in_height,in_width]
更多详情请参考 : `Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift <https://arxiv.org/pdf/1502.03167.pdf>`_
``input`` 是mini-batch的输入。
.. math::
\mu_{\beta} &\gets \frac{1}{m} \sum_{i=1}^{m} x_i \qquad &//\
\ mini-batch\ mean \\
\sigma_{\beta}^{2} &\gets \frac{1}{m} \sum_{i=1}^{m}(x_i - \mu_{\beta})^2 \qquad &//\
\ mini-batch\ variance \\
\hat{x_i} &\gets \frac{x_i - \mu_\beta} {\sqrt{\sigma_{\beta}^{2} + \epsilon}} \qquad &//\ normalize \\
y_i &\gets \gamma \hat{x_i} + \beta \qquad &//\ scale\ and\ shift
moving\_mean = moving\_mean * momentum + mini\_batch\_mean * (1. - momentum) \\
moving\_variance = moving\_variance * momentum + mini\_batch\_var * (1. - momentum)
moving_mean和moving_var是训练过程中统计得到的全局均值和方差，在预测或者评估中使用。
`is_test` 参数只能用于测试或者评估阶段，如果想在训练阶段使用预训练模型的全局均值和方差的话，可以设置 `use_global_stats=True`.
当use_global_stats = True时， :math:`\mu_{\beta}` 和 :math:`\sigma_{\beta}^{2}` 不是一个minibatch的统计数据。 它们是全局（或运行）统计数据（moving_mean和moving_variance），通常来自预先训练好的模型。训练和测试（或预测）具有相同的行为：
.. math::
\hat{x_i} &\gets \frac{x_i - \mu_\beta} {\sqrt{\
\sigma_{\beta}^{2} + \epsilon}} \\
y_i &\gets \gamma \hat{x_i} + \beta
参数：
- **input** (Variable) - batch_norm算子的输入特征，是一个Variable类型，输入维度可以是 2, 3, 4, 5。数据类型：flaot16, float32, float64。
- **act** （string）- 激活函数类型，可以是leaky_realu、relu、prelu等。默认：None。
- **is_test** （bool） - 指示它是否在测试阶段，非训练阶段使用训练过程中统计到的全局均值和全局方差。默认：False。
- **momentum** （float|Variable）- 此值用于计算 moving_mean 和 moving_var，是一个float类型或者一个shape为[1]，数据类型为float32的Variable类型。更新公式为: :math:`moving\_mean = moving\_mean * momentum + new\_mean * (1. - momentum)` ， :math:`moving\_var = moving\_var * momentum + new\_var * (1. - momentum)` ， 默认：0.9。
- **epsilon** （float）- 加在分母上为了数值稳定的值。默认：1e-5。
- **param_attr** (ParamAttr|None) ：指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。batch_norm算子默认的权重初始化是1.0。
- **bias_attr** （ParamAttr|None）- 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。batch_norm算子默认的偏置初始化是0.0。
- **data_layout** （string) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCHW"和"NHWC"。N是批尺寸，C是通道数，H是特征高度，W是特征宽度。默认值："NCHW"。
- **in_place** （bool）- batch_norm的输出复用输入的tensor，可以节省显存。默认：False。
- **name** (str|None) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。
- **moving_mean_name** （string）- moving_mean的名称，存储全局均值。如果将其设置为None, ``batch_norm`` 将随机命名全局均值；否则， ``batch_norm`` 将命名全局均值为 ``moving_mean_name`` 。默认：None。
- **moving_variance_name** （string）- moving_variance的名称，存储全局变量。如果将其设置为None, ``batch_norm`` 将随机命名全局方差；否则， ``batch_norm`` 将命名全局方差为 ``moving_variance_name`` 。默认：None。
- **do_model_average_for_mean_and_var** （bool，默认False）- 是否为mean和variance做模型均值。
- **use_global_stats** （bool） – 是否使用全局均值和方差。 在预测或测试模式下，将use_global_stats设置为true或将is_test设置为true，并且行为是等效的。 在训练模式中，当设置use_global_stats为True时，在训练期间也使用全局均值和方差。默认：False。
返回： 维度和输入相同的Tensor，在输入中运用批正则后的结果。
返回类型：Variable
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
x = fluid.layers.data(name='x', shape=[3, 7, 3, 7], dtype='float32', append_batch_size=False)
hidden1 = fluid.layers.fc(input=x, size=200)
param_attr = fluid.ParamAttr(name='batch_norm_w', initializer=fluid.initializer.Constant(value=1.0))
bias_attr = fluid.ParamAttr(name='batch_norm_b', initializer=fluid.initializer.Constant(value=0.0))
hidden2 = fluid.layers.batch_norm(input=hidden1, param_attr = param_attr, bias_attr = bias_attr)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
np_x = np.random.random(size=(3, 7, 3, 7)).astype('float32')
output = exe.run(feed={"x": np_x}, fetch_list = [hidden2])
print(output)
.. code-block:: python
# batch_norm with momentum as Variable
import paddle.fluid as fluid
import paddle.fluid.layers.learning_rate_scheduler as lr_scheduler
def get_decay_momentum(momentum_init, decay_steps, decay_rate):
global_step = lr_scheduler._decay_step_counter()
momentum = fluid.layers.create_global_var(
shape=[1],
value=float(momentum_init),
dtype='float32',
# set persistable for save checkpoints and resume
persistable=True,
name="momentum")
div_res = global_step / decay_steps
decayed_momentum = momentum_init * (decay_rate**div_res)
fluid.layers.assign(decayed_momentum, momentum)
return momentum
x = fluid.data(name='x', shape=[3, 7, 3, 7], dtype='float32')
hidden1 = fluid.layers.fc(input=x, size=200, param_attr='fc1.w')
momentum = get_decay_momentum(0.9, 1e5, 0.9)
hidden2 = fluid.layers.batch_norm(input=hidden1, momentum=momentum)
doc/paddle/api/paddle/static/nn/bilinear_tensor_product_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_bilinear_tensor_product:
bilinear_tensor_product
-------------------------------
.. py:function:: paddle.fluid.layers.bilinear_tensor_product(x, y, size, act=None, name=None, param_attr=None, bias_attr=None)
:api_attr: 声明式编程模式（静态图)
该层对两个输入执行双线性张量积。
例如:
.. math::
out_{i} = x * W_{i} * {y^\mathrm{T}}, i=0,1,...,size-1
在这个公式中：
- :math:`x`: 第一个输入，包含 :math:`M` 个元素，形状为 [batch_size, M]。
- :math:`y`: 第二个输入，包含 :math:`N` 个元素，形状为 [batch_size, N]。
- :math:`W_{i}`: 第 :math:`i` 个被学习的权重，形状是 [M, N]。
- :math:`out_{i}`: 输出的第 :math:`i` 个元素，形状是 [batch_size, size]。
- :math:`y^\mathrm{T}`: :math:`y_{2}` 的转置。
参数：
- **x** (Variable): 2-D 输入张量，形状为 [batch_size, M], 数据类型为 float32 或 float64。
- **y** (Variable): 2-D 输入张量，形状为 [batch_size, N]，数据类型与 **x** 一致。
- **size** (int): 此层的维度。
- **act** (str, 可选): 应用到该层输出的激活函数。
- **name** (str，可选) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为 None。
- **param_attr** (ParamAttr，可选) ：指定权重参数属性的对象。默认值为 None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **bias_attr** (ParamAttr，可选) : 指定偏置参数属性的对象。默认值为 None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
返回： 一个形为 [batch_size, size] 的 2-D 张量。
返回类型：Variable
**代码示例：**
.. code-block:: python
import paddle.fluid as fluid
layer1 = fluid.layers.data("t1", shape=[-1, 5], dtype="float32")
layer2 = fluid.layers.data("t2", shape=[-1, 4], dtype="float32")
tensor = fluid.layers.bilinear_tensor_product(x=layer1, y=layer2, size=1000)
doc/paddle/api/paddle/static/nn/conv2d_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_conv2d:
conv2d
-------------------------------
.. py:function:: paddle.fluid.layers.conv2d(input, num_filters, filter_size, stride=1, padding=0, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, name=None, data_format="NCHW")
:api_attr: 声明式编程模式（静态图)
该OP是二维卷积层（convolution2D layer），根据输入、滤波器、步长（stride）、填充（padding）、膨胀比例（dilations）一组参数计算输出特征层大小。输入和输出是NCHW或NHWC格式，其中N是批尺寸，C是通道数，H是特征高度，W是特征宽度。滤波器是MCHW格式，M是输出图像通道数，C是输入图像通道数，H是滤波器高度，W是滤波器宽度。如果组数(groups)大于1，C等于输入图像通道数除以组数的结果。详情请参考UFLDL's : `卷积 <http://ufldl.stanford.edu/tutorial/supervised/FeatureExtractionUsingConvolution/>`_ 。如果bias_attr不为False，卷积计算会添加偏置项。如果指定了激活函数类型，相应的激活函数会作用在最终结果上。
对每个输入X，有等式：
.. math::
Out = \sigma \left ( W * X + b \right )
其中：
- :math:`X` ：输入值，NCHW或NHWC格式的4-D Tensor
- :math:`W` ：滤波器值，MCHW格式的4-D Tensor
- :math:`*` ：卷积操作
- :math:`b` ：偏置值，2-D Tensor，形状为 ``[M,1]``
- :math:`\sigma` ：激活函数
- :math:`Out` ：输出值，NCHW或NHWC格式的4-D Tensor， 和 ``X`` 的形状可能不同
**示例**
- 输入：
输入形状：:math:`（N,C_{in},H_{in},W_{in}）`
滤波器形状： :math:`（C_{out},C_{in},H_{f},W_{f}）`
- 输出：
输出形状： :math:`（N,C_{out},H_{out},W_{out}）`
其中
.. math::
H_{out} &= \frac{\left ( H_{in} + padding\_height\_top + padding\_height\_bottom-\left ( dilation[0]*\left ( H_{f}-1 \right )+1 \right ) \right )}{stride[0]}+1
W_{out} &= \frac{\left ( W_{in} + padding\_width\_left + padding\_width\_right -\left ( dilation[1]*\left ( W_{f}-1 \right )+1 \right ) \right )}{stride[1]}+1
如果 ``padding`` = "SAME":
.. math::
H_{out} = \frac{(H_{in} + stride[0] - 1)}{stride[0]}
.. math::
W_{out} = \frac{(W_{in} + stride[1] - 1)}{stride[1]}
如果 ``padding`` = "VALID":
.. math::
H_{out} = \frac{\left ( H_{in} -\left ( dilation[0]*\left ( H_{f}-1 \right )+1 \right ) \right )}{stride[0]}+1
W_{out} = \frac{\left ( W_{in} -\left ( dilation[1]*\left ( W_{f}-1 \right )+1 \right ) \right )}{stride[1]}+1
参数：
- **input** (Variable) - 形状为 :math:`[N, C, H, W]` 或 :math:`[N, H, W, C]` 的4-D Tensor，N是批尺寸，C是通道数，H是特征高度，W是特征宽度，数据类型为float16, float32或float64。
- **num_filters** (int) - 滤波器（卷积核）的个数。和输出图像通道相同。
- **filter_size** (int|list|tuple) - 滤波器大小。如果它是一个列表或元组，则必须包含两个整数值：（filter_size_height，filter_size_width）。若为一个整数，filter_size_height = filter_size_width = filter_size。
- **stride** (int|list|tuple，可选) - 步长大小。滤波器和输入进行卷积计算时滑动的步长。如果它是一个列表或元组，则必须包含两个整型数：（stride_height,stride_width）。若为一个整数，stride_height = stride_width = stride。默认值：1。
- **padding** (int|list|tuple|str，可选) - 填充大小。如果它是一个字符串，可以是"VALID"或者"SAME"，表示填充算法，计算细节可参考上述 ``padding`` = "SAME"或 ``padding`` = "VALID" 时的计算公式。如果它是一个元组或列表，它可以有3种格式：(1)包含4个二元组：当 ``data_format`` 为"NCHW"时为 [[0,0], [0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right]]，当 ``data_format`` 为"NHWC"时为[[0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right], [0,0]]；(2)包含4个整数值：[padding_height_top, padding_height_bottom, padding_width_left, padding_width_right]；(3)包含2个整数值：[padding_height, padding_width]，此时padding_height_top = padding_height_bottom = padding_height， padding_width_left = padding_width_right = padding_width。若为一个整数，padding_height = padding_width = padding。默认值：0。
- **dilation** (int|list|tuple，可选) - 膨胀比例大小。空洞卷积时会使用该参数，滤波器对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。如果膨胀比例为列表或元组，则必须包含两个整型数：（dilation_height,dilation_width）。若为一个整数，dilation_height = dilation_width = dilation。默认值：1。
- **groups** (int，可选) - 二维卷积层的组数。根据Alex Krizhevsky的深度卷积神经网络（CNN）论文中的成组卷积：当group=n，输入和滤波器分别根据通道数量平均分为n组，第一组滤波器和第一组输入进行卷积计算，第二组滤波器和第二组输入进行卷积计算，……，第n组滤波器和第n组输入进行卷积计算。默认值：1。
- **param_attr** (ParamAttr，可选) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **bias_attr** （ParamAttr|bool，可选）- 指定偏置参数属性的对象。若 ``bias_attr`` 为bool类型，只支持为False，表示没有偏置参数。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **use_cudnn** （bool，可选）- 是否使用cudnn内核。只有已安装cudnn库时才有效。默认值：True。
- **act** (str，可选) - 激活函数类型， 如tanh、softmax、sigmoid，relu等，支持列表请参考 :ref:`api_guide_activations` 。如果设为None，则未添加激活函数。默认值：None。
- **name** (str，可选) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值：None。
- **data_format** (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCHW"和"NHWC"。N是批尺寸，C是通道数，H是特征高度，W是特征宽度。默认值："NCHW"。
返回：4-D Tensor，数据类型与 ``input`` 一致。如果未指定激活层，则返回卷积计算的结果，如果指定激活层，则返回卷积和激活计算之后的最终结果。
返回类型：Variable。
抛出异常：
- ``ValueError`` - 如果 ``use_cudnn`` 不是bool值。
- ``ValueError`` - 如果 ``data_format`` 既不是"NCHW"也不是"NHWC"。
- ``ValueError`` - 如果 ``input`` 的通道数未被明确定义。
- ``ValueError`` - 如果 ``padding`` 是字符串，既不是"SAME"也不是"VALID"。
- ``ValueError`` - 如果 ``padding`` 含有4个二元组，与批尺寸对应维度的值不为0或者与通道对应维度的值不为0。
- ``ShapeError`` - 如果输入不是4-D Tensor。
- ``ShapeError`` - 如果输入和滤波器的维度大小不相同。
- ``ShapeError`` - 如果输入的维度大小与 ``stride`` 之差不是2。
- ``ShapeError`` - 如果输出的通道数不能被 ``groups`` 整除。
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
data = fluid.layers.data(name='data', shape=[3, 32, 32], dtype='float32')
param_attr = fluid.ParamAttr(name='conv2d.weight', initializer=fluid.initializer.Xavier(uniform=False), learning_rate=0.001)
res = fluid.layers.conv2d(input=data, num_filters=2, filter_size=3, act="relu", param_attr=param_attr)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
x = np.random.rand(1, 3, 32, 32).astype("float32")
output = exe.run(feed={"data": x}, fetch_list=[res])
print(output)
doc/paddle/api/paddle/static/nn/conv2d_transpose_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_conv2d_transpose:
conv2d_transpose
-------------------------------
.. py:function:: paddle.fluid.layers.conv2d_transpose(input, num_filters, output_size=None, filter_size=None, padding=0, stride=1, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, name=None, data_format='NCHW')
:api_attr: 声明式编程模式（静态图)
二维转置卷积层（Convlution2D transpose layer）
该层根据输入（input）、滤波器（filter）和卷积核膨胀比例（dilations）、步长（stride）、填充（padding）来计算输出特征层大小或者通过output_size指定输出特征层大小。输入(Input)和输出(Output)为NCHW或NHWC格式，其中N为批尺寸，C为通道数（channel），H为特征层高度，W为特征层宽度。滤波器是MCHW格式，M是输出图像通道数，C是输入图像通道数，H是滤波器高度，W是滤波器宽度。如果组数大于1，C等于输入图像通道数除以组数的结果。转置卷积的计算过程相当于卷积的反向计算。转置卷积又被称为反卷积（但其实并不是真正的反卷积）。欲了解转置卷积层细节，请参考下面的说明和 参考文献_ 。如果参数bias_attr不为False, 转置卷积计算会添加偏置项。如果act不为None，则转置卷积计算之后添加相应的激活函数。
.. _参考文献: https://arxiv.org/pdf/1603.07285.pdf
输入 :math:`X` 和输出 :math:`Out` 函数关系如下：
.. math::
Out=\sigma (W*X+b)\\
其中：
- :math:`X` : 输入，具有NCHW或NHWC格式的4-D Tensor
- :math:`W` : 滤波器，具有NCHW格式的4-D Tensor
- :math:`*` : 卷积计算（注意：转置卷积本质上的计算还是卷积）
- :math:`b` : 偏置（bias），2-D Tensor，形状为 ``[M,1]``
- :math:`σ` : 激活函数
- :math:`Out` : 输出值，NCHW或NHWC格式的4-D Tensor， 和 ``X`` 的形状可能不同
**示例**
- 输入：
输入Tensor的形状： :math:`（N，C_{in}， H_{in}， W_{in}）`
滤波器的形状 ： :math:`（C_{in}, C_{out}, H_f, W_f）`
- 输出：
输出Tensor的形状 ： :math:`（N，C_{out}, H_{out}, W_{out}）`
其中
.. math::
& H'_{out} = (H_{in}-1)*strides[0] - pad\_height\_top - pad\_height\_bottom + dilations[0]*(H_f-1)+1\\
& W'_{out} = (W_{in}-1)*strides[1]- pad\_width\_left - pad\_width\_right + dilations[1]*(W_f-1)+1 \\
& H_{out}\in[H'_{out},H'_{out} + strides[0])\\
& W_{out}\in[W'_{out},W'_{out} + strides[1])\\
如果 ``padding`` = "SAME":
.. math::
& H'_{out} = \frac{(H_{in} + stride[0] - 1)}{stride[0]}\\
& W'_{out} = \frac{(W_{in} + stride[1] - 1)}{stride[1]}\\
如果 ``padding`` = "VALID":
.. math::
& H'_{out} = (H_{in}-1)*strides[0] + dilations[0]*(H_f-1)+1\\
& W'_{out} = (W_{in}-1)*strides[1] + dilations[1]*(W_f-1)+1 \\
注意：
如果output_size为None，则 :math:`H_{out}` = :math:`H^\prime_{out}` , :math:`W_{out}` = :math:`W^\prime_{out}` ;否则，指定的output_size_height（输出特征层的高） :math:`H_{out}` 应当介于 :math:`H^\prime_{out}` 和 :math:`H^\prime_{out} + strides[0]` 之间（不包含 :math:`H^\prime_{out} + strides[0]` ）, 并且指定的output_size_width（输出特征层的宽） :math:`W_{out}` 应当介于 :math:`W^\prime_{out}` 和 :math:`W^\prime_{out} + strides[1]` 之间（不包含 :math:`W^\prime_{out} + strides[1]` ）。
由于转置卷积可以当成是卷积的反向计算，而根据卷积的输入输出计算公式来说，不同大小的输入特征层可能对应着相同大小的输出特征层，所以对应到转置卷积来说，固定大小的输入特征层对应的输出特征层大小并不唯一。
如果指定了output_size， ``conv2d_transpose`` 可以自动计算滤波器的大小。
参数:
- **input** （Variable）- 形状为 :math:`[N, C, H, W]` 或 :math:`[N, H, W, C]` 的4-D Tensor，N是批尺寸，C是通道数，H是特征高度，W是特征宽度。数据类型：float32或float64。
- **num_filters** (int) - 滤波器（卷积核）的个数，与输出图片的通道数相同。
- **output_size** (int|tuple，可选) - 输出图片的大小。如果output_size是一个元组，则必须包含两个整型数，（output_size_height，output_size_width）。如果output_size=None，则内部会使用filter_size、padding和stride来计算output_size。如果output_size和filter_size是同时指定的，那么它们应满足上面的公式。默认：None。output_size和filter_size不能同时为None。
- **filter_size** (int|tuple，可选) - 滤波器大小。如果filter_size是一个元组，则必须包含两个整型数，（filter_size_height, filter_size_width）。否则，filter_size_height = filter_size_width = filter_size。如果filter_size=None，则必须指定output_size， ``conv2d_transpose`` 内部会根据output_size、padding和stride计算出滤波器大小。默认：None。output_size和filter_size不能同时为None。
- **padding** (int|list|tuple|str，可选) - 填充padding大小。padding参数在输入特征层每边添加 ``dilation * (kernel_size - 1) - padding`` 个0。如果它是一个字符串，可以是"VALID"或者"SAME"，表示填充算法，计算细节可参考上述 ``padding`` = "SAME"或 ``padding`` = "VALID" 时的计算公式。如果它是一个元组或列表，它可以有3种格式：(1)包含4个二元组：当 ``data_format`` 为"NCHW"时为 [[0,0], [0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right]]，当 ``data_format`` 为"NHWC"时为[[0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right], [0,0]]；(2)包含4个整数值：[padding_height_top, padding_height_bottom, padding_width_left, padding_width_right]；(3)包含2个整数值：[padding_height, padding_width]，此时padding_height_top = padding_height_bottom = padding_height， padding_width_left = padding_width_right = padding_width。若为一个整数，padding_height = padding_width = padding。默认值：0。
- **stride** (int|tuple，可选) - 步长stride大小。滤波器和输入进行卷积计算时滑动的步长。如果stride是一个元组，则必须包含两个整型数，形式为(stride_height，stride_width)。否则，stride_height = stride_width = stride。默认：stride = 1。
- **dilation** (int|tuple，可选) - 膨胀比例(dilation)大小。空洞卷积时会指该参数，滤波器对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息，根据 `可视化效果图 <https://github.com/vdumoulin/conv_arithmetic/blob/master/README.md>`_ 较好理解。如果膨胀比例dilation是一个元组，那么元组必须包含两个整型数，形式为(dilation_height, dilation_width)。否则，dilation_height = dilation_width = dilation。默认：dilation= 1。
- **groups** (int，可选) - 二维转置卷积层的组数。从Alex Krizhevsky的CNN Deep论文中的群卷积中受到启发，当group=2时，输入和滤波器分别根据通道数量平均分为两组，第一组滤波器和第一组输入进行卷积计算，第二组滤波器和第二组输入进行卷积计算。默认：group = 1。
- **param_attr** (ParamAttr，可选) ：指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。conv2d_transpose算子默认的权重初始化是Xavier。
- **bias_attr** （ParamAttr|False，可选）- 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。conv2d_transpose算子默认的偏置初始化是0.0。
- **use_cudnn** (bool，可选) - 是否使用cudnn内核，只有已安装cudnn库时才有效。默认：True。
- **act** (str，可选) - 激活函数类型，如果设置为None，则不使用激活函数。默认：None。
- **name** (str，可选) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。
- **data_format** (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCHW"和"NHWC"。N是批尺寸，C是通道数，H是特征高度，W是特征宽度。默认值："NCHW"。
返回：4-D Tensor，数据类型与 ``input`` 一致。如果未指定激活层，则返回转置卷积计算的结果，如果指定激活层，则返回转置卷积和激活计算之后的最终结果。
返回类型：Variable
抛出异常:
- ``ValueError`` : 如果输入的shape、filter_size、stride、padding和groups不匹配，抛出ValueError
- ``ValueError`` - 如果 ``data_format`` 既不是"NCHW"也不是"NHWC"。
- ``ValueError`` - 如果 ``padding`` 是字符串，既不是"SAME"也不是"VALID"。
- ``ValueError`` - 如果 ``padding`` 含有4个二元组，与批尺寸对应维度的值不为0或者与通道对应维度的值不为0。
- ``ValueError`` - 如果 ``output_size`` 和 ``filter_size`` 同时为None。
- ``ShapeError`` - 如果输入不是4-D Tensor。
- ``ShapeError`` - 如果输入和滤波器的维度大小不相同。
- ``ShapeError`` - 如果输入的维度大小与 ``stride`` 之差不是2。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
data = fluid.layers.data(name='data', shape=[3, 32, 32], dtype='float32')
param_attr = fluid.ParamAttr(name='conv2d.weight', initializer=fluid.initializer.Xavier(uniform=False), learning_rate=0.001)
res = fluid.layers.conv2d_transpose(input=data, num_filters=2, filter_size=3, act="relu", param_attr=param_attr)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
x = np.random.rand(1, 3, 32, 32).astype("float32")
output = exe.run(feed={"data": x}, fetch_list=[res])
print(output)
doc/paddle/api/paddle/static/nn/conv3d_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_conv3d:
conv3d
-------------------------------
.. py:function:: paddle.fluid.layers.conv3d(input, num_filters, filter_size, stride=1, padding=0, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, name=None, data_format="NCDHW")
:api_attr: 声明式编程模式（静态图)
该OP是三维卷积层（convolution3D layer），根据输入、滤波器、步长（stride）、填充（padding）、膨胀比例（dilations）一组参数计算得到输出特征层大小。输入和输出是NCDHW或NDWHC格式，其中N是批尺寸，C是通道数，D是特征层深度，H是特征层高度，W是特征层宽度。三维卷积（Convlution3D）和二维卷积（Convlution2D）相似，但多了一维深度信息（depth）。如果bias_attr不为False，卷积计算会添加偏置项。如果指定了激活函数类型，相应的激活函数会作用在最终结果上。
对每个输入X，有等式：
.. math::
Out = \sigma \left ( W * X + b \right )
其中：
- :math:`X` ：输入值，NCDHW或NDHWC格式的5-D Tensor
- :math:`W` ：滤波器值，MCDHW格式的5-D Tensor
- :math:`*` ：卷积操作
- :math:`b` ：偏置值，2-D Tensor，形为 ``[M,1]``
- :math:`\sigma` ：激活函数
- :math:`Out` ：输出值, NCDHW或NDHWC格式的5-D Tensor，和 ``X`` 的形状可能不同
**示例**
- 输入：
输入形状： :math:`(N, C_{in}, D_{in}, H_{in}, W_{in})`
滤波器形状： :math:`(C_{out}, C_{in}, D_f, H_f, W_f)`
- 输出：
输出形状： :math:`(N, C_{out}, D_{out}, H_{out}, W_{out})`
其中
.. math::
D_{out} &= \frac{\left ( D_{in} + padding\_depth\_front + padding\_depth\_back-\left ( dilation[0]*\left ( D_{f}-1 \right )+1 \right ) \right )}{stride[0]}+1
H_{out} &= \frac{\left ( H_{in} + padding\_height\_top + padding\_height\_bottom-\left ( dilation[1]*\left ( H_{f}-1 \right )+1 \right ) \right )}{stride[1]}+1
W_{out} &= \frac{\left ( W_{in} + padding\_width\_left + padding\_width\_right -\left ( dilation[2]*\left ( W_{f}-1 \right )+1 \right ) \right )}{stride[2]}+1
如果 ``padding`` = "SAME":
.. math::
D_{out} = \frac{(D_{in} + stride[0] - 1)}{stride[0]}
H_{out} = \frac{(H_{in} + stride[1] - 1)}{stride[1]}
W_{out} = \frac{(W_{in} + stride[2] - 1)}{stride[2]}
如果 ``padding`` = "VALID":
.. math::
D_{out} = \frac{\left ( D_{in} -\left ( dilation[0]*\left ( D_{f}-1 \right )+1 \right ) \right )}{stride[0]}+1
H_{out} = \frac{\left ( H_{in} -\left ( dilation[1]*\left ( H_{f}-1 \right )+1 \right ) \right )}{stride[1]}+1
W_{out} = \frac{\left ( W_{in} -\left ( dilation[2]*\left ( W_{f}-1 \right )+1 \right ) \right )}{stride[2]}+1
参数：
- **input** (Variable) - 形状为 :math:`[N, C, D, H, W]` 或 :math:`[N, D, H, W, C]` 的5-D Tensor，N是批尺寸，C是通道数，D是特征深度，H是特征高度，W是特征宽度，数据类型为float16, float32或float64。
- **num_fliters** (int) - 滤波器（卷积核）的个数。和输出图像通道相同。
- **filter_size** (int|list|tuple) - 滤波器大小。如果它是一个列表或元组，则必须包含三个整数值：（filter_size_depth, filter_size_height，filter_size_width）。若为一个整数，则filter_size_depth = filter_size_height = filter_size_width = filter_size。
- **stride** (int|list|tuple，可选) - 步长大小。滤波器和输入进行卷积计算时滑动的步长。如果它是一个列表或元组，则必须包含三个整型数：（stride_depth, stride_height, stride_width）。若为一个整数，stride_depth = stride_height = stride_width = stride。默认值：1。
- **padding** (int|list|tuple|str，可选) - 填充大小。如果它是一个字符串，可以是"VALID"或者"SAME"，表示填充算法，计算细节可参考上述 ``padding`` = "SAME"或 ``padding`` = "VALID" 时的计算公式。如果它是一个元组或列表，它可以有3种格式：(1)包含5个二元组：当 ``data_format`` 为"NCDHW"时为 [[0,0], [0,0], [padding_depth_front, padding_depth_back], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right]]，当 ``data_format`` 为"NDHWC"时为[[0,0], [padding_depth_front, padding_depth_back], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right], [0,0]]；(2)包含6个整数值：[padding_depth_front, padding_depth_back, padding_height_top, padding_height_bottom, padding_width_left, padding_width_right]；(3)包含3个整数值：[padding_depth, padding_height, padding_width]，此时 padding_depth_front = padding_depth_back = padding_depth, padding_height_top = padding_height_bottom = padding_height, padding_width_left = padding_width_right = padding_width。若为一个整数，padding_depth = padding_height = padding_width = padding。默认值：0。
- **dilation** (int|list|tuple，可选) - 膨胀比例大小。空洞卷积时会使用该参数，滤波器对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。如果膨胀比例为列表或元组，则必须包含三个整型数：（dilation_depth, dilation_height,dilation_width）。若为一个整数，dilation_depth = dilation_height = dilation_width = dilation。默认值：1。
- **groups** (int，可选) - 三维卷积层的组数。根据Alex Krizhevsky的深度卷积神经网络（CNN）论文中的成组卷积：当group=n，输入和滤波器分别根据通道数量平均分为n组，第一组滤波器和第一组输入进行卷积计算，第二组滤波器和第二组输入进行卷积计算，……，第n组滤波器和第n组输入进行卷积计算。默认值：1。
- **param_attr** (ParamAttr，可选) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **bias_attr** （ParamAttr|bool，可选）- 指定偏置参数属性的对象。若 ``bias_attr`` 为bool类型，只支持为False，表示没有偏置参数。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **use_cudnn** （bool，可选）- 是否使用cudnn内核。只有已安装cudnn库时才有效。默认值：True。
- **act** (str，可选) - 激活函数类型， 如tanh、softmax、sigmoid，relu等，支持列表请参考 :ref:`api_guide_activations` 。如果设为None，则未添加激活函数。默认值：None。
- **name** (str，可选) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值：None。
- **data_format** (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCDHW"和"NDHWC"。N是批尺寸，C是通道数，D是特征深度，H是特征高度，W是特征宽度。默认值："NCDHW"。
返回：5-D Tensor，数据类型与 ``input`` 一致。如果未指定激活层，则返回卷积计算的结果，如果指定激活层，则返回卷积和激活计算之后的最终结果。
返回类型：Variable。
抛出异常：
- ``ValueError`` - 如果 ``use_cudnn`` 不是bool值。
- ``ValueError`` - 如果 ``data_format`` 既不是"NCDHW"也不是"NDHWC"。
- ``ValueError`` - 如果 ``input`` 的通道数未被明确定义。
- ``ValueError`` - 如果 ``padding`` 是字符串，既不是"SAME"也不是"VALID"。
- ``ValueError`` - 如果 ``padding`` 含有5个二元组，与批尺寸对应维度的值不为0或者与通道对应维度的值不为0。
- ``ShapeError`` - 如果输入不是5-D Tensor。
- ``ShapeError`` - 如果输入和滤波器的维度大小不相同。
- ``ShapeError`` - 如果输入的维度大小与 ``stride`` 之差不是2。
- ``ShapeError`` - 如果输出的通道数不能被 ``groups`` 整除。
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
data = fluid.layers.data(name='data', shape=[3, 12, 32, 32], dtype='float32')
param_attr = fluid.ParamAttr(name='conv3d.weight', initializer=fluid.initializer.Xavier(uniform=False), learning_rate=0.001)
res = fluid.layers.conv3d(input=data, num_filters=2, filter_size=3, act="relu", param_attr=param_attr)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
x = np.random.rand(1, 3, 12, 32, 32).astype("float32")
output = exe.run(feed={"data": x}, fetch_list=[res])
print(output)
doc/paddle/api/paddle/static/nn/conv3d_transpose_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_conv3d_transpose:
conv3d_transpose
-------------------------------
.. py:function:: paddle.fluid.layers.conv3d_transpose(input, num_filters, output_size=None, filter_size=None, padding=0, stride=1, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, name=None, data_format='NCDHW')
:api_attr: 声明式编程模式（静态图)
三维转置卷积层（Convlution3D transpose layer)
该层根据输入（input）、滤波器（filter）和卷积核膨胀比例（dilations）、步长（stride）、填充（padding）来计算输出特征层大小或者通过output_size指定输出特征层大小。输入(Input)和输出(Output)为NCDHW或者NDHWC格式。其中N为批尺寸，C为通道数（channel），D为特征深度，H为特征层高度，W为特征层宽度。转置卷积的计算过程相当于卷积的反向计算。转置卷积又被称为反卷积（但其实并不是真正的反卷积）。欲了解卷积转置层细节，请参考下面的说明和 参考文献_ 。如果参数bias_attr不为False, 转置卷积计算会添加偏置项。如果act不为None，则转置卷积计算之后添加相应的激活函数。
.. _参考文献: http://www.matthewzeiler.com/wp-content/uploads/2017/07/cvpr2010.pdf
输入 :math:`X` 和输出 :math:`Out` 函数关系如下：
.. math::
\\Out=\sigma (W*X+b)\\
其中：
- :math:`X` : 输入，具有NCDHW或NDHWC格式的5-D Tensor
- :math:`W` : 滤波器，具有NCDHW格式的5-D Tensor
- :math:`*` : 卷积操作（注意：转置卷积本质上的计算还是卷积）
- :math:`b` : 偏置（bias），2-D Tensor，形状为 ``[M,1]``
- :math:`σ` : 激活函数
- :math:`Out` : 输出值，NCDHW或NDHWC格式的5-D Tensor，和 ``X`` 的形状可能不同
**示例**
输入:
输入的shape：:math:`（N,C_{in}, D_{in}, H_{in}, W_{in}）`
滤波器的shape：:math:`（C_{in}, C_{out}, D_f, H_f, W_f）`
输出:
输出的shape：:math:`（N,C_{out}, D_{out}, H_{out}, W_{out}）`
其中：
.. math::
& D'_{out}=(D_{in}-1)*strides[0] - pad\_depth\_front - pad\_depth\_back + dilations[0]*(D_f-1)+1\\
& H'_{out}=(H_{in}-1)*strides[1] - pad\_height\_top - pad\_height\_bottom + dilations[1]*(H_f-1)+1\\
& W'_{out}=(W_{in}-1)*strides[2] - pad\_width\_left - pad\_width\_right + dilations[2]*(W_f-1)+1\\
& D_{out}\in[D'_{out},D'_{out} + strides[0])\\
& H_{out}\in[H'_{out},H'_{out} + strides[1])\\
& W_{out}\in[W'_{out},W'_{out} + strides[2])\\
如果 ``padding`` = "SAME":
.. math::
D'_{out} = \frac{(D_{in} + stride[0] - 1)}{stride[0]}\\
H'_{out} = \frac{(H_{in} + stride[1] - 1)}{stride[1]}\\
W'_{out} = \frac{(W_{in} + stride[2] - 1)}{stride[2]}\\
如果 ``padding`` = "VALID":
.. math::
D'_{out}=(D_{in}-1)*strides[0] + dilations[0]*(D_f-1)+1\\
H'_{out}=(H_{in}-1)*strides[1] + dilations[1]*(H_f-1)+1\\
W'_{out}=(W_{in}-1)*strides[2] + dilations[2]*(W_f-1)+1\\
注意：
如果output_size为None，则 :math:`D_{out}` = :math:`D^\prime_{out}` , :math:`H_{out}` = :math:`H^\prime_{out}` , :math:`W_{out}` = :math:`W^\prime_{out}` ;否则，指定的output_size_depth（输出特征层的深度） :math:`D_{out}` 应当介于 :math:`D^\prime_{out}` 和 :math:`D^\prime_{out} + strides[0]` 之间（不包含 :math:`D^\prime_{out} + strides[0]` ），指定的output_size_height（输出特征层的高） :math:`H_{out}` 应当介于 :math:`H^\prime_{out}` 和 :math:`H^\prime_{out} + strides[1]` 之间（不包含 :math:`H^\prime_{out} + strides[1]` ）, 并且指定的output_size_width（输出特征层的宽） :math:`W_{out}` 应当介于 :math:`W^\prime_{out}` 和 :math:`W^\prime_{out} + strides[2]` 之间（不包含 :math:`W^\prime_{out} + strides[2]` ）。
由于转置卷积可以当成是卷积的反向计算，而根据卷积的输入输出计算公式来说，不同大小的输入特征层可能对应着相同大小的输出特征层，所以对应到转置卷积来说，固定大小的输入特征层对应的输出特征层大小并不唯一。
如果指定了output_size， ``conv3d_transpose`` 可以自动计算滤波器的大小。
参数:
- **input** （Variable）- 形状为 :math:`[N, C, D, H, W]` 或 :math:`[N, D, H, W, C]` 的5-D Tensor，N是批尺寸，C是通道数，D是特征深度，H是特征高度，W是特征宽度，数据类型：float32或float64。
- **num_filters** (int) - 滤波器（卷积核）的个数，与输出的图片的通道数相同。
- **output_size** (int|tuple，可选) - 输出图片的大小。如果output_size是一个元组，则必须包含三个整型数，（output_size_depth，output_size_height，output_size_width）。如果output_size=None，则内部会使用filter_size、padding和stride来计算output_size。如果output_size和filter_size是同时指定的，那么它们应满足上面的公式。默认：None。output_size和filter_size不能同时为None。
- **filter_size** (int|tuple，可选) - 滤波器大小。如果filter_size是一个元组，则必须包含三个整型数，（filter_size_depth，filter_size_height, filter_size_width）。否则，filter_size_depth = filter_size_height = filter_size_width = filter_size。如果filter_size=None，则必须指定output_size， ``conv2d_transpose`` 内部会根据output_size、padding和stride计算出滤波器大小。默认：None。output_size和filter_size不能同时为None。
- **padding** (int|list|tuple|str，可选) - 填充padding大小。padding参数在输入特征层每边添加 ``dilation * (kernel_size - 1) - padding`` 个0。如果它是一个字符串，可以是"VALID"或者"SAME"，表示填充算法，计算细节可参考上述 ``padding`` = "SAME"或 ``padding`` = "VALID" 时的计算公式。如果它是一个元组或列表，它可以有3种格式：(1)包含5个二元组：当 ``data_format`` 为"NCDHW"时为 [[0,0], [0,0], [pad_depth_front, pad_depth_back], [pad_height_top, pad_height_bottom], [pad_width_left, pad_width_right]]，当 ``data_format`` 为"NDHWC"时为[[0,0], [pad_depth_front, pad_depth_back], [pad_height_top, pad_height_bottom], [pad_width_left, pad_width_right], [0,0]]；(2)包含6个整数值：[pad_depth_front, pad_depth_back, pad_height_top, pad_height_bottom, pad_width_left, pad_width_right]；(3)包含3个整数值：[pad_depth, pad_height, pad_width]，此时 pad_depth_front = pad_depth_back = pad_depth, pad_height_top = pad_height_bottom = pad_height, pad_width_left = pad_width_right = pad_width。若为一个整数，pad_depth = pad_height = pad_width = padding。默认值：0。
- **stride** (int|tuple，可选) - 步长stride大小。滤波器和输入进行卷积计算时滑动的步长。如果stride是一个元组，那么元组的形式为(stride_depth，stride_height，stride_width)。否则，stride_depth = stride_height = stride_width = stride。默认：stride = 1。
- **dilation** (int|tuple，可选) - 膨胀比例dilation大小。空洞卷积时会指该参数，滤波器对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息，根据 `可视化效果图 <https://github.com/vdumoulin/conv_arithmetic/blob/master/README.md>`_ 较好理解。如果膨胀比例dilation是一个元组，那么元组的形式为(dilation_depth，dilation_height， dilation_width)。否则，dilation_depth = dilation_height = dilation_width = dilation。默认:dilation= 1。
- **groups** (int，可选) - 三维转置卷积层的组数。从Alex Krizhevsky的CNN Deep论文中的群卷积中受到启发，当group=2时，输入和滤波器分别根据通道数量平均分为两组，第一组滤波器和第一组输入进行卷积计算，第二组滤波器和第二组输入进行卷积计算。默认：group = 1。
- **param_attr** (ParamAttr，可选) ：指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。conv3d_transpose算子默认的权重初始化是Xavier。
- **bias_attr** （ParamAttr|False，可选）- 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。conv3d_transpose算子默认的偏置初始化是0.0。
- **use_cudnn** (bool，可选) - 是否使用cudnn内核，只有已安装cudnn库时才有效。默认：True。
- **act** (str，可选) - 激活函数类型，如果设置为None，则不使用激活函数。默认：None。
- **name** (str，可选) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。
- **data_format** (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCDHW"和"NDHWC"。N是批尺寸，C是通道数，H是特征高度，W是特征宽度。默认值："NCDHW"。
返回：5-D Tensor，数据类型与 ``input`` 一致。如果未指定激活层，则返回转置卷积计算的结果，如果指定激活层，则返回转置卷积和激活计算之后的最终结果。
返回类型：Variable
抛出异常:
- ``ValueError`` - 如果输入的shape、filter_size、stride、padding和groups不匹配。
- ``ValueError`` - 如果 ``data_format`` 既不是"NCDHW"也不是"NDHWC"。
- ``ValueError`` - 如果 ``padding`` 是字符串，既不是"SAME"也不是"VALID"。
- ``ValueError`` - 如果 ``padding`` 含有5个二元组，与批尺寸对应维度的值不为0或者与通道对应维度的值不为0。
- ``ValueError`` - 如果 ``output_size`` 和 ``filter_size`` 同时为None。
- ``ShapeError`` - 如果输入不是5-D Tensor。
- ``ShapeError`` - 如果输入和滤波器的维度大小不相同。
- ``ShapeError`` - 如果输入的维度大小与 ``stride`` 之差不是2。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
data = fluid.layers.data(name='data', shape=[3, 12, 32, 32], dtype='float32')
param_attr = fluid.ParamAttr(name='conv3d.weight', initializer=fluid.initializer.Xavier(uniform=False), learning_rate=0.001)
res = fluid.layers.conv3d_transpose(input=data, num_filters=2, filter_size=3, act="relu", param_attr=param_attr)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
x = np.random.rand(1, 3, 12, 32, 32).astype("float32")
output = exe.run(feed={"data": x}, fetch_list=[res])
print(output)
doc/paddle/api/paddle/static/nn/create_parameter_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_create_parameter:
create_parameter
-------------------------------
.. py:function:: paddle.fluid.layers.create_parameter(shape,dtype,name=None,attr=None,is_bias=False,default_initializer=None)
:api_attr: 声明式编程模式（静态图)
该OP创建一个参数。该参数是一个可学习的变量, 拥有梯度并且可优化。
**注意：这是一个低级别的API。如果您希望自己创建新的op，这个API将非常有用，无需使用layers。**
参数：
- **shape** (list[int]) - 指定输出Tensor的形状，它可以是一个整数列表。
- **dtype** (str|numpy.dtype) – 初始化数据类型。可设置的字符串值有："float16"，"float32"，"float64"。
- **name** (str，可选) - 参数的名称。具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
- **attr** (ParamAttr，可选) - 指定参数的属性对象。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。默认值为None，表示将采用 ParamAttr 的默认方式初始化。
- **is_bias** (bool，可选) - 当default_initializer为空，该值会对选择哪个默认初始化程序产生影响。如果is_bias为真，则使用initializer.Constant(0.0)，否则使用Xavier()，默认值False。
- **default_initializer** (Initializer，可选) - 参数的初始化程序，默认值为空。
返回：创建的Tensor变量。
返回类型：Variable。
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
import paddle.fluid.layers as layers
W = layers.create_parameter(shape=[784, 200], dtype='float32')
doc/paddle/api/paddle/static/nn/crf_decoding_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_crf_decoding:
crf_decoding
-------------------------------
.. py:function:: paddle.fluid.layers.crf_decoding(input, param_attr, label=None, length=None)
:api_attr: 声明式编程模式（静态图)
该层读取由 :ref:`cn_api_fluid_layers_linear_chain_crf` 学习的 emission feature weights（发射状态特征的权重）和 transition feature weights (转移特征的权重) 进行解码。
本层实现了 Viterbi 算法，可以动态地寻找隐藏状态最可能的序列，该序列也被称为 Viterbi 路径（Viterbi path），从而得到观察标签 (tags) 序列。
这个层运算的结果会随着输入 ``Label`` 的有无而改变：
1. ``Label`` 非 None 的情况，在实际训练中时常发生。此时本层会协同 :ref:`cn_api_fluid_layers_chunk_eval` 工作。在 LoDTensor 模式下，本层会返回一行形为 [N X 1] 的向量，在 padding 模式下，返回形状则为 [B x S]，其中值为 0 的部分代表该 label 不适合作为对应结点的标注，值为1的部分则反之。此类型的输出可以直接作为 :ref:`cn_api_fluid_layers_chunk_eval` 算子的输入；
2. 当没有 ``Label`` 时，该函数会执行标准解码过程；
（没有 ``Label`` 时）该运算返回一个形状为 [N X 1] 或 [B x S] 的向量，此处的形状取决于输入是 LoDTensor 还是普通 Tensor，其中元素取值范围为 0 ~ 最大标注个数-1，分别为预测出的标注（tag）所在的索引。
参数：
- **input** (Variable) — 一个形为 [N x D] 的 LoDTensor，其中 N 是mini-batch的大小，D是标注（tag) 的总数； 或者形为 [B x S x D] 的普通 Tensor，B 是批次大小，S 是序列最大长度，D 是标注的总数。 该输入是 :ref:`cn_api_fluid_layers_linear_chain_crf`` 的 unscaled emission weight matrix （未标准化的发射权重矩阵）。数据类型为 float32 或者 float64。
- **param_attr** (ParamAttr，可选) ：指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **label** (Variable，可选) — 形为 [N x 1] 的正确标注（ground truth）（LoDTensor 模式），或者形状为 [B x S]。 有关该参数的更多信息，请详见上述描述。数据类型为 int64。
- **length** (Variable，可选) — 形状为 [B x 1], 表示输入序列的真实长度。该输入非 None，表示该层工作在 padding 模式下，即 ``input`` 和 ``label`` 都是带 padding 的普通 Tensor。数据类型为 int64。
返回：解码结果具体内容根据 ``Label`` 参数是否提供而定，请参照上面的介绍来详细了解。
返回类型： Variable
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
images = fluid.layers.data(name='pixel', shape=[784], dtype='float32')
label = fluid.layers.data(name='label', shape=[1], dtype='int32')
hidden = fluid.layers.fc(input=images, size=2)
crf = fluid.layers.linear_chain_crf(input=hidden, label=label,
param_attr=fluid.ParamAttr(name="crfw"))
crf_decode = fluid.layers.crf_decoding(input=hidden,
param_attr=fluid.ParamAttr(name="crfw"))
doc/paddle/api/paddle/static/nn/data_norm_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_data_norm:
data_norm
-------------------------------
.. py:function:: paddle.fluid.layers.data_norm(input, act=None, epsilon=1e-05, param_attr=None, data_layout='NCHW', in_place=False, name=None, moving_mean_name=None, moving_variance_name=None, do_model_average_for_mean_and_var=False)
:api_attr: 声明式编程模式（静态图)
**数据正则化层**
可用作conv2d和fully_connected操作的正则化函数。 此层所需的数据格式为以下之一：
1. NHWC [batch, in_height, in_width, in_channels]
2. NCHW [batch, in_channels, in_height, in_width]
:math:`input` 为一个mini-batch上的特征:
.. math::
\mu_{\beta} &\gets \frac{1}{m} \sum_{i=1}^{m} x_i \qquad &//\
\ mini-batch\ mean \\
\sigma_{\beta}^{2} &\gets \frac{1}{m} \sum_{i=1}^{m}(x_i - \
\mu_{\beta})^2 \qquad &//\ mini-batch\ variance \\
\hat{x_i} &\gets \frac{x_i - \mu_\beta} {\sqrt{\
\sigma_{\beta}^{2} + \epsilon}} \qquad &//\ normalize \\
y_i &\gets \gamma \hat{x_i} + \beta \qquad &//\ scale\ and\ shift
参数:
- **input** （Variable） - 输入变量，它是一个LoDTensor。
- **act** （string，默认None） - 激活函数类型，线性| relu | prelu | ...
- **epsilon** （float，默认1e-05） -
- **param_attr** （ParamAttr） - 参数比例的参数属性。
- **data_layout** （str，可选） - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCHW"和"NHWC"。N是批尺寸，C是通道数，H是特征高度，W是特征宽度。默认值："NCHW"。
- **in_place** （bool，默认值False） - 使data_norm的输入和输出复用同一块内存。
- **name** （string，默认None） - 此层的名称（可选）。 如果设置为None，则将自动命名该层。
- **moving_mean_name** （string，Default None） - 存储全局Mean的moving_mean的名称。
- **moving_variance_name** （string，默认None） - 存储全局Variance的moving_variance的名称。
- **do_model_average_for_mean_and_var** （bool，默认值为false） - 是否为mean和variance进行模型平均。
- **slot_dim** （int, 默认值为-1） - 一个slot的embedding维度，slot用来表征一类特征的集合，在pslib模式下，通常我们通过slot区分特征id，并从参数服务器（pslib）中提取它们的embedding。embedding的第一维是历史上这个embedding展示的次数。如果本op的输入是由这样的embedding连接而来，那么当这个特征id是新的或空的，则正则化结果可能不实际。为了避免这种情况，我们添加了slot_dim来定位并判断这一维是否为零。如果是的话，我们选择跳过正则化。
- **summary_decay_rate** （float, 默认值为0.9999999） - 更新summary信息时的衰减率。
- **sync_stats** （bool, 默认值False） - 在多GPU卡的场景下可以使用，用来同步多卡间的summary信息。
- **enable_scale_and_shift** (bool, 默认值False) - 在分布式全局正则化后是否做像batchnorm一样做scale&shift的操作。
返回: 张量变量，是对输入数据进行正则化后的结果。
返回类型: Variable
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
hidden1 = fluid.layers.data(name="hidden1", shape=[200])
hidden2 = fluid.layers.data_norm(name="hidden2", input=hidden1)
doc/paddle/api/paddle/static/nn/deformable_conv_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_deformable_conv:
deformable_conv
-------------------------------
.. py:function:: paddle.fluid.layers.deformable_conv(input, offset, mask, num_filters, filter_size, stride=1, padding=0, dilation=1, groups=None, deformable_groups=None, im2col_step=None, param_attr=None, bias_attr=None, modulated=True, name=None)
:api_attr: 声明式编程模式（静态图)
**可变形卷积算子**
deformable_conv op对输入4-D Tensor计算2-D可变形卷积。给定输入Tensor x，输出Tensor y，可变形卷积运算如下所示：
可形变卷积v2:
:math:`y(p) = \sum_{k=1}^{K}{w_k * x(p + p_k + \Delta p_k) * \Delta m_k}`
可形变卷积v1:
:math:`y(p) = \sum_{k=1}^{K}{w_k * x(p + p_k + \Delta p_k)}`
其中 :math:`\Delta p_k` 和 :math:`\Delta m_k` 分别为第k个位置的可学习偏移和调制标量。在deformable_conv_v1中 :math:`\Delta m_k` 为1.
具体细节可以参考论文：`<<Deformable ConvNets v2: More Deformable, Better Results>> <https://arxiv.org/abs/1811.11168v2>`_ 和 `<<Deformable Convolutional Networks>> <https://arxiv.org/abs/1703.06211>`_ 。
**示例**
输入：
input 形状： :math:`(N, C_{in}, H_{in}, W_{in})`
卷积核形状： :math:`(C_{out}, C_{in}, H_f, W_f)`
offset 形状： :math:`(N, 2 * deformable\_groups * H_f * H_w, H_{in}, W_{in})`
mask 形状： :math:`(N, deformable\_groups * H_f * H_w, H_{in}, W_{in})`
输出：
输出形状： :math:`(N, C_{out}, H_{out}, W_{out})`
其中
.. math::
H_{out}&= \frac{(H_{in} + 2 * paddings[0] - (dilations[0] * (H_f - 1) + 1))}{strides[0]} + 1
W_{out}&= \frac{(W_{in} + 2 * paddings[1] - (dilations[1] * (W_f - 1) + 1))}{strides[1]} + 1
参数：
- **input** (Variable) - 形状为 :math:`[N, C, H, W]` 的输入Tensor，数据类型为float32或float64。
- **offset** (Variable) – 可变形卷积层的输入坐标偏移，数据类型为float32或float64。
- **mask** (Variable, 可选) – 可变形卷积层的输入掩码，当使用可变形卷积算子v1时，请将mask设置为None, 数据类型为float32或float64。
- **num_filters** (int) – 卷积核数，与输出Tensor通道数相同。
- **filter_size** (int|tuple) – 卷积核大小。如果filter_size为元组，则必须包含两个整数(filter_size_H, filter_size_W)。若数据类型为int，卷积核形状为(filter_size, filter_size)。
- **stride** (int|tuple) – 步长大小。如果stride为元组，则必须包含两个整数(stride_H, stride_W)。否则stride_H = stride_W = stride。默认值为1。
- **padding** (int|tuple) – padding大小。如果padding为元组，则必须包含两个整数(padding_H, padding_W)。否则padding_H = padding_W = padding。默认值为0。
- **dilation** (int|tuple) – dilation大小。如果dilation为元组，则必须包含两个整数(dilation_H, dilation_W)。否则dilation_H = dilation_W = dilation。默认值为1。
- **groups** (int) – 卷积组数。依据Alex Krizhevsky的Deep CNN论文中的分组卷积，有：当group=2时，前一半卷积核只和前一半输入通道有关，而后一半卷积核只和后一半输入通道有关。缺省值为1。
- **deformable_groups** (int) – 可变形卷积组数。默认值为1。
- **im2col_step** (int) – 每个im2col计算的最大图像数。总batch大小应可以被该值整除或小于该值。如果您面临内存问题，可以尝试在此处使用一个较小的值。默认值为64。
- **param_attr** (ParamAttr，可选) – 可变形卷积的可学习权重的属性。如果将其设置为None或某种ParamAttr，可变形卷积将创建ParamAttr作为param_attr。如果没有设置此param_attr的Initializer，该参数将被Normal(0.0, std)初始化，且其中的std为 :math:`(\frac{2.0 }{filter\_elem\_num})^{0.5}` 。默认值为None。
- **bias_attr** (ParamAttr|bool，可选) – 可变形卷积层的偏置的参数属性。如果设为False，则输出单元不会加偏置。如果设为None或者某种ParamAttr，conv2d会创建ParamAttr作为bias_attr。如果不设置bias_attr的Initializer，偏置会被初始化为0。默认值为None。
- **modulated** （bool）- 确定使用v1和v2中的哪个版本，如果为True，则选择使用v2。默认值为True。
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回：可变形卷积输出的4-D Tensor，数据类型为float32或float64。
返回类型：Variable
抛出异常：ValueError – 如果input, filter_size, stride, padding和groups的大小不匹配。
**代码示例**
.. code-block:: python
#deformable conv v2:
import paddle.fluid as fluid
C_in, H_in, W_in = 3, 32, 32
filter_size, deformable_groups = 3, 1
data = fluid.layers.data(name='data', shape=[C_in, H_in, W_in], dtype='float32')
offset = fluid.layers.data(name='offset', shape=[2*deformable_groups*filter_size**2, H_in, W_in], dtype='float32')
mask = fluid.layers.data(name='mask', shape=[deformable_groups*filter_size**2, H_in, W_in], dtype='float32')
out = fluid.layers.deformable_conv(input=data, offset=offset, mask=mask,
num_filters=2, filter_size=filter_size, padding=1, modulated=True)
#deformable conv v1:
import paddle.fluid as fluid
C_in, H_in, W_in = 3, 32, 32
filter_size, deformable_groups = 3, 1
data = fluid.layers.data(name='data', shape=[C_in, H_in, W_in], dtype='float32')
offset = fluid.layers.data(name='offset', shape=[2*deformable_groups*filter_size**2, H_in, W_in], dtype='float32')
out = fluid.layers.deformable_conv(input=data, offset=offset, mask=None,
num_filters=2, filter_size=filter_size, padding=1, modulated=False)
doc/paddle/api/paddle/static/nn/embedding_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_embedding:
embedding
-------------------------------
.. py:function:: paddle.fluid.embedding(input, size, is_sparse=False, is_distributed=False, padding_idx=None, param_attr=None, dtype='float32')
:api_attr: 声明式编程模式（静态图)
该OP根据input中的id信息从embedding矩阵中查询对应embedding信息，函数会根据输入的size (vocab_size, emb_size)和dtype自动构造一个二维embedding矩阵。
输出的Tensor的shape是在输入Tensor shape的最后一维后面添加了emb_size的维度。
注：input中的id必须满足 ``0 =< id < size[0]``，否则程序会抛异常退出。
::
Case 1:
input是Tensor, 且padding_idx = -1
input.data = [[1, 3], [2, 4], [4, 127]]
input.shape = [3, 2]
若size = [128, 16]
输出为Tensor:
out.shape = [3, 2, 16]
out.data = [[[0.129435295, 0.244512452, ..., 0.436322452],
[0.345421456, 0.524563927, ..., 0.144534654]],
[[0.345249859, 0.124939536, ..., 0.194353745],
[0.945345345, 0.435394634, ..., 0.435345365]],
[[0.945345345, 0.435394634, ..., 0.435345365],
[0.0, 0.0, ..., 0.0 ]]] # padding data
输入的padding_idx小于0，则自动转换为padding_idx = -1 + 128 = 127, 对于输入id为127的词，进行padding处理。
Case 2:
input是lod level 为1的LoDTensor, 且padding_idx = 0
input.lod = [[2, 3]]
input.data = [[1], [3], [2], [4], [0]]
input.shape = [5, 1]
若size = [128, 16]
输出为LoDTensor:
out.lod = [[2, 3]]
out.shape = [5, 1, 16]
out.data = [[[0.129435295, 0.244512452, ..., 0.436322452]],
[[0.345421456, 0.524563927, ..., 0.144534654]],
[[0.345249859, 0.124939536, ..., 0.194353745]],
[[0.945345345, 0.435394634, ..., 0.435345365]],
[[0.0, 0.0, ..., 0.0 ]]] # padding data
输入的padding_idx = 0，则对于输入id为0的词，进行padding处理。
参数：
- **input** (Variable) - 存储id信息的Tensor或LoDTensor，数据类型必须为：int64。input中的id必须满足 ``0 =< id < size[0]`` 。
- **size** (tuple|list) - embedding矩阵的维度。必须包含两个元素，第一个元素为vocab_size(词表大小), 第二个为emb_size（embedding层维度）。
- **is_sparse** (bool) - 是否使用稀疏的更新方式，这个参数只会影响反向的梯度更新的性能，sparse更新速度更快，推荐使用稀疏更新的方式。但某些optimizer不支持sparse更新，比如 :ref:`cn_api_fluid_optimizer_AdadeltaOptimizer` 、 :ref:`cn_api_fluid_optimizer_AdamaxOptimizer` 、 :ref:`cn_api_fluid_optimizer_DecayedAdagradOptimizer` 、 :ref:`cn_api_fluid_optimizer_FtrlOptimizer` 、 :ref:`cn_api_fluid_optimizer_LambOptimizer` 、:ref:`cn_api_fluid_optimizer_LarsMomentumOptimizer` ，此时is_sparse必须为False。默认为False。
- **is_distributed** (bool) - 是否使用分布式的方式存储embedding矩阵，仅在多机分布式cpu训练中使用。默认为False。
- **padding_idx** (int|long|None) - padding_idx需在区间[-vocab_size, vocab_size)，否则不生效，padding_idx<0时，padding_idx 会被改成 vocab_size + padding_idx，input中等于padding_index的id对应的embedding信息会被设置为0，且这部分填充数据在训练时将不会被更新。如果为none，不作处理，默认为None。
- **param_attr** (ParamAttr) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。此外，可以通过 ``param_attr`` 参数加载用户自定义或预训练的词向量。只需将本地词向量转为numpy数据格式，且保证本地词向量的shape和embedding的 ``size`` 参数一致，然后使用 :ref:`cn_api_fluid_initializer_NumpyArrayInitializer` 进行初始化，即可实现加载自定义或预训练的词向量。详细使用方法见代码示例2。
- **dtype** (str|core.VarDesc.VarType) - 输出Tensor或LoDTensor的数据类型，数据类型必须为：float32，float64，默认为float32。
返回：input映射后embedding Tensor或LoDTensor，数据类型和dtype定义的类型一致。
返回类型：Variable
**代码示例**:
.. code-block:: python
import paddle.fluid as fluid
data = fluid.layers.data(name='sequence', shape=[1], dtype='int64', lod_level=1)
# 示例 1
emb_1 = fluid.embedding(input=data, size=[128, 64])
# 示例 2: 加载用户自定义或预训练的词向量
weight_data = np.random.random(size=(128, 100)) # numpy格式的词向量数据
w_param_attrs = fluid.ParamAttr(
name="emb_weight",
learning_rate=0.5,
initializer=fluid.initializer.NumpyArrayInitializer(weight_data),
trainable=True)
emb_2 = fluid.embedding(input=data, size=(128, 100), param_attr=w_param_attrs, dtype='float32')
doc/paddle/api/paddle/static/nn/fc_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_fc:
fc
-------------------------------
.. py:function:: paddle.fluid.layers.fc(input, size, num_flatten_dims=1, param_attr=None, bias_attr=None, act=None, name=None)
:api_attr: 声明式编程模式（静态图)
**全连接层**
该OP将在神经网络中构建一个全连接层。其输入可以是一个Tensor（或LoDTensor）或多个Tensor（或LoDTensor）组成的list（详见参数说明），该OP会为每个输入的Tensor创建一个权重（weights）变量，即一个从每个输入单元到每个输出单元的全连接权重矩阵。FC层将每个输入Tensor和其对应的权重(weights)相乘得到shape为 :math:`[M, size]` 输出Tensor，其中 ``M`` 为batch_size大小。如果有多个输入Tensor，则多个shape为 :math:`[M, size]` 的Tensor计算结果会被累加起来，作为最终输出。如果 ``bias_attr`` 非空，则会创建一个偏置变量（bias variable），并把它累加到输出结果中。如果 ``act`` 非空，将会在输出结果上应用相应的激活函数。
当输入为单个Tensor（或LoDTensor）：
.. math::
\\Out = Act({XW + b})\\
当输入为多个Tensor（或LoDTensor）组成的list时：
.. math::
\\Out=Act(\sum^{N-1}_{i=0}X_iW_i+b) \\
上述等式中：
- :math:`N` ：输入的数目，如果输入是Tensor列表，N等于len(input)
- :math:`X_i` ：第i个输入的Tensor
- :math:`W_i` ：对应第i个输入张量的第i个权重矩阵
- :math:`b` ：该层创建的bias参数
- :math:`Act` ：activation function(激活函数)
- :math:`Out` ：输出Tensor
::
Case 1：
给定单个输入Tensor data_1, 且num_flatten_dims = 2:
data_1.data = [[[0.1, 0.2],
[0.3, 0.4]]]
data_1.shape = (1, 2, 2) # 1是batch_size
out = fluid.layers.fc(input=data_1, size=1， num_flatten_dims=2)
则输出为：
out.data = [[0.83234344], [0.34936576]]
out.shape = (1, 2, 1)
Case 2:
给定多个Tensor组成的list:
data_1.data = [[[0.1, 0.2],
[0.3, 0.4]]]
data_1.shape = (1, 2, 2) # 1 是 batch_size
data_2 = [[[0.1, 0.2, 0.3]]]
data_2.shape = (1, 1, 3)
out = fluid.layers.fc(input=[data_1, data_2], size=2)
则输出为：
out.data = [[0.18669507, 0.1893476]]
out.shape = (1, 2)
参数:
- **input** (Variable|list of Variable) – 维度为 :math:`[N_1, N_2, ..., N_k]` 的多维Tensor（或LoDTensor）或由多个Tensor（或LoDTensor）组成的list，输入Tensor的shape至少是2。数据类型为float32或float64。
- **size** (int) – 全连接层输出单元的数目，即输出Tensor（或LoDTensor）特征维度。
- **num_flatten_dims** (int) – 输入可以接受维度大于2的Tensor。在计算时，输入首先会被扁平化（flatten）为一个二维矩阵，之后再与权重(weights)相乘。参数 ``num_flatten_dims`` 决定了输入Tensor的flatten方式: 前 ``num_flatten_dims`` (包含边界，从1开始数) 个维度会被扁平化为二维矩阵的第一维 (即为矩阵的高), 剩下的 :math:`rank(X) - num\_flatten\_dims` 维被扁平化为二维矩阵的第二维 (即矩阵的宽)。 例如， 假设X是一个五维的Tensor，其shape为(2, 3, 4, 5, 6), 若 :math:`num\_flatten\_dims = 3` ，则扁平化的矩阵shape为： :math:`(2 x 3 x 4, 5 x 6) = (24, 30)` ，最终输出Tensor的shape为 :math:`(2, 3, 4, size)` 。默认为1。
- **param_attr** (ParamAttr) – 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **bias_attr** (ParamAttr) – 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **act** (str) – 应用于输出上的激活函数，如tanh、softmax、sigmoid，relu等，支持列表请参考 :ref:`api_guide_activations` ，默认值为None。
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回：经过全连接层计算后的Tensor或LoDTensor，数据类型与input类型一致。
返回类型: Variable
弹出异常：``ValueError`` - 如果输入Tensor（或LoDTensor）的维度小于2
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
# 当输入为单个张量时
data = fluid.layers.data(name="data", shape=[32, 32], dtype="float32")
fc = fluid.layers.fc(input=data, size=1000, act="tanh")
# 当输入为多个张量时
data_1 = fluid.layers.data(name="data_1", shape=[32, 32], dtype="float32")
data_2 = fluid.layers.data(name="data_2", shape=[24, 36], dtype="float32")
fc = fluid.layers.fc(input=[data_1, data_2], size=1000, act="tanh")
doc/paddle/api/paddle/static/nn/group_norm_cn.rst 0 → 100755
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_group_norm:
group_norm
-------------------------------
.. py:function:: paddle.fluid.layers.group_norm(input, groups, epsilon=1e-05, param_attr=None, bias_attr=None, act=None, data_layout='NCHW', name=None)
:api_attr: 声明式编程模式（静态图)
参考论文： `Group Normalization <https://arxiv.org/abs/1803.08494>`_
参数：
- **input** (Variable)：输入为4-D Tensor，数据类型为float32或float64。
- **groups** (int)：从 channel 中分离出来的 group 的数目，数据类型为int32。
- **epsilon** (float，可选)：为防止方差除以零，增加一个很小的值。数据类型为float32。默认值：1e-05。
- **param_attr** (ParamAttr|bool，可选) ：指定权重参数属性的对象。若 ``param_attr`` 为bool类型，只支持为False，表示没有权重参数。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **bias_attr** (ParamAttr|bool，可选) : 指定偏置参数属性的对象。若 ``bias_attr`` 为bool类型，只支持为False，表示没有偏置参数。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **act** (str，可选)：将激活应用于输出的 group normalizaiton。
- **data_layout** (str，可选)：指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCHW"和"NHWC"。N是批尺寸，C是通道数，H是特征高度，W是特征宽度。默认值："NCHW"。
- **name** (str，可选)：具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回：4-D Tensor，数据类型和格式与 `input` 一致。
返回类型：Variable
抛出异常：
- ``ValueError`` - 如果 ``data_layout`` 既不是"NCHW"也不是"NHWC"。
- ``ValueError`` - 如果 ``groups`` 小于1，或者 ``groups`` 大于输入的通道数。
- ``ShapeError`` - 如果 ``param_attr`` (Scale) 或者 ``bias_attr`` (Bias) 不是 1-D Tensor。
- ``ShapeError`` - 如果 ``param_attr`` (Scale) 或者 ``bias_attr`` (Bias) 的大小与输入的通道数不相等。
**代码示例：**
.. code-block:: python
import paddle.fluid as fluid
data = fluid.data(name='data', shape=[None, 8, 32, 32], dtype='float32')
x = fluid.layers.group_norm(input=data, groups=4)
doc/paddle/api/paddle/static/nn/hsigmoid_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_hsigmoid:
hsigmoid
-------------------------------
.. py:function:: paddle.fluid.layers.hsigmoid(input, label, num_classes, param_attr=None, bias_attr=None, name=None, path_table=None, path_code=None, is_custom=False, is_sparse=False)
:api_attr: 声明式编程模式（静态图)
层次sigmoid（hierarchical sigmoid），该OP通过构建一个分类二叉树来降低计算复杂度，主要用于加速语言模型的训练过程。
该OP建立的二叉树中每个叶节点表示一个类别(单词)，每个非叶子节点代表一个二类别分类器（sigmoid）。对于每个类别（单词），都有一个从根节点到它的唯一路径，hsigmoid累加这条路径上每个非叶子节点的损失得到总损失。
相较于传统softmax的计算复杂度 :math:`O(N)` ，hsigmoid可以将计算复杂度降至 :math:`O(logN)` ，其中 :math:`N` 表示类别总数（字典大小）。
若使用默认树结构，请参考 `Hierarchical Probabilistic Neural Network Language Model <http://www.iro.umontreal.ca/~lisa/pointeurs/hierarchical-nnlm-aistats05.pdf>`_ 。
若使用自定义树结构，请将参数 ``is_custom`` 设置为True，并完成以下步骤（以语言模型为例）：
1. 使用自定义词典来建立二叉树，每个叶结点都应该是词典中的单词；
2. 建立一个dict类型数据结构，用于存储 **单词id -> 该单词叶结点至根节点路径** 的映射，即路径表 ``path_table`` 参数；
3. 建立一个dict类型数据结构，用于存储 **单词id -> 该单词叶结点至根节点路径的编码** 的映射，即路径编码 ``path_code`` 参数。 编码是指每次二分类的标签，1为真，0为假；
4. 每个单词都已经有自己的路径和路径编码，当对于同一批输入进行操作时，可以同时传入一批路径和路径编码进行运算。
参数:
- **input** (Variable) - 输入Tensor。数据类型为float32或float64，形状为 ``[N, D]`` ，其中 ``N`` 为minibatch的大小，``D`` 为特征大小。
- **label** (Variable) - 训练数据的标签。数据类型为int64，形状为 ``[N, 1]`` 。
- **num_classes** (int) - 类别总数(字典大小)必须大于等于2。若使用默认树结构，即当 ``is_custom=False`` 时 ，必须设置该参数。若使用自定义树结构，即当 ``is_custom=True`` 时，它取值应为自定义树结构的非叶节点的个数，用于指定二分类的类别总数。
- **param_attr** (ParamAttr，可选) - 该OP可学习参数的属性。可以设置为None或者一个ParamAttr的类（ParamAttr中可以指定参数的各种属性）。 该OP将利用 ``param_attr`` 属性来创建ParamAttr实例。如果没有设置 ``param_attr`` 的初始化函数，那么参数将采用Xavier初始化。默认值为None。
- **bias_attr** (ParamAttr, 可选) - 该OP的偏置参数的属性。可以设置为None或者一个ParamAttr的类（ParamAttr中可以指定参数的各种属性）。 该OP将利用 ``bias_attr`` 属性来创建ParamAttr实例。如果没有设置 ``bias_attr`` 的初始化函数，参数初始化为0.0。默认值为None。
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
- **path_table** (Variable，可选) – 存储每一批样本从类别（单词）到根节点的路径，按照从叶至根方向存储。 数据类型为int64，形状为 ``[N, L]`` ，其中L为路径长度。``path_table`` 和 ``path_code`` 应具有相同的形状, 对于每个样本i，path_table[i]为一个类似np.ndarray的结构，该数组内的每个元素都是其双亲结点权重矩阵的索引。默认值为None。
- **path_code** (Variable，可选) – 存储每一批样本从类别（单词）到根节点的路径编码，按从叶至根方向存储。数据类型为int64，形状为 ``[N, L]``。默认值为None。
- **is_custom** (bool，可选) – 是否使用用户自定义二叉树取代默认二叉树结构。如果设置为True，请务必设置 ``path_table`` ， ``path_code`` ， ``num_classes`` ，否则必须设置num_classes。默认值为False。
- **is_sparse** (bool，可选) – 是否使用稀疏更新方式。如果设置为True，W的梯度和输入梯度将会变得稀疏。默认值为False。
返回: 层次sigmoid计算后的Tensor，形状为[N, 1]，数据类型和 ``input`` 一致。
返回类型: Variable
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
x = fluid.layers.fill_constant(shape=[4, 3], value=0.9, dtype='float32')
# x = [[0.9, 0.9, 0.9], [0.9, 0.9, 0.9], [0.9, 0.9, 0.9], [0.9, 0.9, 0.9]]
y = fluid.layers.fill_constant(
shape=[4, 1], value=1, dtype='int64')
# y = [[1], [1], [1], [1]]
out = fluid.layers.hsigmoid(input=x, label=y, num_classes=2, param_attr=fluid.initializer.Constant(
value=0.05), bias_attr=fluid.initializer.Constant(value=.0))
# out = [[0.62792355], [0.62792355], [0.62792355], [0.62792355]]
doc/paddle/api/paddle/static/nn/instance_norm_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_instance_norm:
instance_norm
-------------------------------
.. py:function:: paddle.fluid.layers.instance_norm(input, epsilon=1e-05, param_attr=None, bias_attr=None, name=None)
:api_attr: 声明式编程模式（静态图)
可用作卷积和全连接操作的实例正则化函数，根据每个样本的每个通道的均值和方差信息进行正则化。该层需要的数据格式如下：
NCHW[batch,in_channels,in_height,in_width]
更多详情请参考 : `Instance Normalization: The Missing Ingredient for Fast Stylization <https://arxiv.org/pdf/1607.08022.pdf>`_
``input`` 是mini-batch的输入。
.. math::
\mu_{\beta} &\gets \frac{1}{m} \sum_{i=1}^{m} x_i \quad &// mean of each channel in each sample in a batch \\
\sigma_{\beta}^{2} &\gets \frac{1}{m} \sum_{i=1}^{m}(x_i - \mu_{\beta})^2 \quad &// variance of each channel in each sample a batch \\
\hat{x_i} &\gets \frac{x_i - \mu_\beta} {\sqrt{\sigma_{\beta}^{2} + \epsilon}} \quad &// normalize \\
y_i &\gets \gamma \hat{x_i} + \beta \quad &// scale-and-shift
参数：
- **input** (Variable) - instance_norm算子的输入特征，是一个Variable类型，输入的维度可以为 2, 3, 4, 5。数据类型：float32和float64。
- **epsilon** （float，默认1e-05）-为了当前输入做标准化时得到稳定的结果而加在的分母上的扰动值。默认值为1e-5。
- **param_attr** （ParamAttr|None） - instance_norm 权重参数的属性，可以设置为None或者一个ParamAttr的类（ParamAttr中可以指定参数的各种属性）。 如果设为None，则默认的参数初始化为1.0。如果在ParamAttr指定了属性时, instance_norm创建相应属性的param_attr（权重）参数。默认：None。
- **bias_attr** （ParamAttr|None） - instance_norm 偏置参数的属性，可以设置为None或者一个ParamAttr的类（ParamAttr中可以指定参数的各种属性）。如果设为None，默认的参数初始化为0.0。如果在ParamAttr指定了参数的属性时, instance_norm创建相应属性的bias_attr（偏置）参数。默认：None。
- **name** （string，默认None）- 该层名称（可选）。若设为None，则自动为该层命名。
返回： 张量，在输入中运用instance normalization后的结果
返回类型：变量（Variable）
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
x = fluid.layers.data(name='x', shape=[3, 7, 3, 7], dtype='float32', append_batch_size=False)
hidden1 = fluid.layers.fc(input=x, size=200)
param_attr = fluid.ParamAttr(name='instance_norm_w', initializer=fluid.initializer.Constant(value=1.0))
bias_attr = fluid.ParamAttr(name='instance_norm_b', initializer=fluid.initializer.Constant(value=0.0))
hidden2 = fluid.layers.instance_norm(input=hidden1, param_attr = param_attr, bias_attr = bias_attr)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
np_x = np.random.random(size=(3, 7, 3, 7)).astype('float32')
output = exe.run(feed={"x": np_x}, fetch_list = [hidden2])
print(output)
doc/paddle/api/paddle/static/nn/layer_norm_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_layer_norm:
layer_norm
-------------------------------
.. py:function:: paddle.fluid.layers.layer_norm(input, scale=True, shift=True, begin_norm_axis=1, epsilon=1e-05, param_attr=None, bias_attr=None, act=None, name=None)
:api_attr: 声明式编程模式（静态图)
该OP实现了层归一化层（Layer Normalization Layer），其可以应用于小批量输入数据。更多详情请参考：`Layer Normalization <https://arxiv.org/pdf/1607.06450v1.pdf>`_
计算公式如下
.. math::
\\\mu=\frac{1}{H}\sum_{i=1}^{H}x_i\\
\\\sigma=\sqrt{\frac{1}{H}\sum_i^H{(x_i-\mu)^2} + \epsilon}\\
\\y=f(\frac{g}{\sigma}(x-\mu) + b)\\
- :math:`x` : 该层神经元的向量表示
- :math:`H` : 层中隐藏神经元个数
- :math:`\epsilon` : 添加较小的值到方差中以防止除零
- :math:`g` : 可训练的比例参数
- :math:`b` : 可训练的偏差参数
参数：
- **input** (Variable) - 维度为任意维度的多维 ``Tensor`` ，数据类型为float32或float64。
- **scale** (bool, 可选) - 指明是否在归一化后学习自适应增益 ``g`` 。默认值：True。
- **shift** (bool, 可选) - 指明是否在归一化后学习自适应偏差 ``b`` 。默认值：True。
- **begin_norm_axis** (int, 可选) - 指明归一化将沿着 ``begin_norm_axis`` 到 ``rank（input）`` 的维度执行。默认值：1。
- **epsilon** (float, 可选) - 指明在计算过程中是否添加较小的值到方差中以防止除零。默认值：1e-05。
- **param_attr** (ParamAttr, 可选) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **bias_attr** (ParamAttr, 可选) - 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **act** (str, 可选) - 应用于输出上的激活函数，如tanh、softmax、sigmoid，relu等，支持列表请参考 :ref:`api_guide_activations` ，默认值为None。
- **name** (str, 可选) - 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。。
返回：表示归一化结果的 ``Tensor`` ，数据类型和 ``input`` 一致，返回维度和 ``input`` 一致。
返回类型：Variable
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
x = fluid.layers.data(name='x', shape=[3, 32, 32], dtype='float32')
hidden1 = fluid.layers.layer_norm(input=x, begin_norm_axis=1)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
np_x = np.random.random(size=(8, 3, 32, 32)).astype('float32')
output = exe.run(feed={"x": np_x}, fetch_list = [hidden1])
print(output)
doc/paddle/api/paddle/static/nn/multi_box_head_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_multi_box_head:
multi_box_head
-------------------------------
.. py:function:: paddle.fluid.layers.multi_box_head(inputs, image, base_size, num_classes, aspect_ratios, min_ratio=None, max_ratio=None, min_sizes=None, max_sizes=None, steps=None, step_w=None, step_h=None, offset=0.5, variance=[0.1, 0.1, 0.2, 0.2], flip=True, clip=False, kernel_size=1, pad=0, stride=1, name=None, min_max_aspect_ratios_order=False)
:api_attr: 声明式编程模式（静态图)
基于SSD（Single Shot MultiBox Detector）算法，在不同层输入特征上提取先验框、计算回归的坐标位置和分类的置信度，并合并到一起作为输出，具体参数解释和输出格式参考下面说明。更详细信息，请参阅SSD论文 `SSD：Single Shot MultiBox Detector <https://arxiv.org/abs/1512.02325>`_ 的2.2节。
参数：
- **inputs** (list(Variable) | tuple(Variable)) - 输入特征的列表，仅支持格式为NCHW的4-D Tensor。
- **image** (Variable) - 一般是网络输入的图像数据，仅支持NCHW格式。
- **base_size** (int) - 输入图片的大小，当输入个数len(inputs) > 2，并且 ``min_size`` 和 ``max_size`` 为None时，通过 ``baze_size``, ``min_ratio`` 和 ``max_ratio`` 来计算出 ``min_size`` 和 ``max_size`` 。计算公式如下:
.. code-block:: python
min_sizes = []
max_sizes = []
step = int(math.floor(((max_ratio - min_ratio)) / (num_layer - 2)))
for ratio in six.moves.range(min_ratio, max_ratio + 1, step):
min_sizes.append(base_size * ratio / 100.)
max_sizes.append(base_size * (ratio + step) / 100.)
min_sizes = [base_size * .10] + min_sizes
max_sizes = [base_size * .20] + max_sizes
- **num_classes** (int) - 类别数。
- **aspect_ratios** (list(float) | tuple(float) | list(list(float)) | tuple(tuple(float)) - 候选框的宽高比， ``aspect_ratios`` 和 ``input`` 的个数必须相等。如果每个特征层提取先验框的 ``aspect_ratio`` 多余一个，写成嵌套的list，例如[[2., 3.]]。
- **min_ratio** (int）- 先验框的长度和 ``base_size`` 的最小比率，注意，这里是百分比，假如比率为0.2，这里应该给20.0。默认值: None。
- **max_ratio** (int）- 先验框的长度和 ``base_size`` 的最大比率，注意事项同 ``min_ratio`` 。默认值: None。
- **min_sizes** (list(float) | tuple(float) | None）- 每层提取的先验框的最小长度，如果输入个数len(inputs)<= 2，则必须设置 ``min_sizes`` ，并且 ``min_sizes`` 的个数应等于len(inputs)。默认值：None。
- **max_sizes** (list | tuple | None）- 每层提取的先验框的最大长度，如果len(inputs）<= 2，则必须设置 ``max_sizes`` ，并且 ``min_sizes`` 的长度应等于len(inputs)。默认值：None。
- **steps** (list(float) | tuple(float)) - 相邻先验框的中心点步长 ，如果在水平和垂直方向上步长相同，则设置steps即可，否则分别通过step_w和step_h设置不同方向的步长。如果 ``steps``, ``ste_w`` 和 ``step_h`` 均为None，步长为输入图片的大小 ``base_size`` 和特征图大小的比例。默认值：None。
- **step_w** (list(float）| tuple(float)) - 水平方向上先验框中心点步长。默认值：None。
- **step_h** (list | tuple) - 垂直方向上先验框中心点步长。默认值：None。
- **offset** (float) - 左上角先验框中心在水平和垂直方向上的偏移。默认值：0.5
- **variance** (list | tuple) - 先验框的方差。默认值：[0.1,0.1,0.2,0.2]。
- **flip** (bool) - 是否翻转宽高比。默认值：False。
- **clip** (bool) - 是否剪切超出边界的框。默认值：False。
- **kernel_size** (int) - 计算回归位置和分类置信度的卷积核的大小。默认值：1。
- **pad** (int | list(int) | tuple(int)) - 计算回归位置和分类置信度的卷积核的填充。默认值：0。
- **stride** (int | list | tuple) - 计算回归位置和分类置信度的卷积核的步长。默认值：1。
- **name** (str) - 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
- **min_max_aspect_ratios_order** (bool) - 如果设置为True，则输出先验框的顺序为[min，max，aspect_ratios]，这与Caffe一致。请注意，此顺序会影响卷积层后面的权重顺序，但不会影响最终检测结果。默认值：False。
返回：
- **mbox_loc(Variable)** - 预测框的回归位置。格式为[N，num_priors，4]，其中 ``N`` 是batch size， ``num_priors`` 是总共提取的先验框的个数。
- **mbox_conf(Variable）** - 预测框的分类信度。格式为[N，num_priors，C]，其中 ``num_priors`` 同上，C是类别数。
- **boxes(Variable)** - 提取的先验框。布局是[num_priors，4]， ``num_priors`` 同上，常量4是坐标个数。
- **variances(Variable)** - 提取的先验框方差。布局是[num_priors，4]， ``num_priors`` 同上。
返回类型：list(Variable) | tuple(Variable）
**代码示例1: 设置min_ratio和max_ratio**
.. code-block:: python
import paddle.fluid as fluid
images = fluid.data(name='data', shape=[None, 3, 300, 300], dtype='float32')
conv1 = fluid.data(name='conv1', shape=[None, 512, 19, 19], dtype='float32')
conv2 = fluid.data(name='conv2', shape=[None, 1024, 10, 10], dtype='float32')
conv3 = fluid.data(name='conv3', shape=[None, 512, 5, 5], dtype='float32')
conv4 = fluid.data(name='conv4', shape=[None, 256, 3, 3], dtype='float32')
conv5 = fluid.data(name='conv5', shape=[None, 256, 2, 2], dtype='float32')
conv6 = fluid.data(name='conv6', shape=[None, 128, 1, 1], dtype='float32')
mbox_locs, mbox_confs, box, var = fluid.layers.multi_box_head(
inputs=[conv1, conv2, conv3, conv4, conv5, conv6],
image=images,
num_classes=21,
min_ratio=20,
max_ratio=90,
aspect_ratios=[[2.], [2., 3.], [2., 3.], [2., 3.], [2.], [2.]],
base_size=300,
offset=0.5,
flip=True,
clip=True)
**代码示例2: 设置min_sizes和max_sizes**
.. code-block:: python
import paddle.fluid as fluid
images = fluid.data(name='data', shape=[None, 3, 300, 300], dtype='float32')
conv1 = fluid.data(name='conv1', shape=[None, 512, 19, 19], dtype='float32')
conv2 = fluid.data(name='conv2', shape=[None, 1024, 10, 10], dtype='float32')
conv3 = fluid.data(name='conv3', shape=[None, 512, 5, 5], dtype='float32')
conv4 = fluid.data(name='conv4', shape=[None, 256, 3, 3], dtype='float32')
conv5 = fluid.data(name='conv5', shape=[None, 256, 2, 2], dtype='float32')
conv6 = fluid.data(name='conv6', shape=[None, 128, 1, 1], dtype='float32')
mbox_locs, mbox_confs, box, var = fluid.layers.multi_box_head(
inputs=[conv1, conv2, conv3, conv4, conv5, conv6],
image=images,
num_classes=21,
min_sizes=[60.0, 105.0, 150.0, 195.0, 240.0, 285.0],
max_sizes=[[], 150.0, 195.0, 240.0, 285.0, 300.0],
aspect_ratios=[[2.], [2., 3.], [2., 3.], [2., 3.], [2.], [2.]],
base_size=300,
offset=0.5,
flip=True,
clip=True)
doc/paddle/api/paddle/static/nn/nce_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_nce:
nce
-------------------------------
.. py:function:: paddle.fluid.layers.nce(input, label, num_total_classes, sample_weight=None, param_attr=None, bias_attr=None, num_neg_samples=None, name=None, sampler='uniform', custom_dist=None, seed=0, is_sparse=False)
:api_attr: 声明式编程模式（静态图)
计算并返回噪音对比估计损失值（ noise-contrastive estimation training loss）。
请参考 `Noise-contrastive estimation: A new estimation principle for unnormalized statistical models
<http://www.jmlr.org/proceedings/papers/v9/gutmann10a/gutmann10a.pdf>`_
该层默认使用均匀分布进行抽样。
参数:
- **input** (Variable) - 输入变量, 2-D 张量，形状为 [batch_size, dim]，数据类型为 float32 或者 float64。
- **label** (Variable) - 标签，2-D 张量，形状为 [batch_size, num_true_class]，数据类型为 int64。
- **num_total_classes** (int) - 所有样本中的类别的总数。
- **sample_weight** (Variable，可选) - 存储每个样本权重，shape 为 [batch_size, 1] 存储每个样本的权重。每个样本的默认权重为1.0。
- **param_attr** (ParamAttr，可选) ：指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **bias_attr** (ParamAttr，可选) : 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **num_neg_samples** (int) - 负样例的数量，默认值是10。
- **name** (str，可选) - 该layer的名称，具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
- **sampler** (str，可选) – 采样器，用于从负类别中进行取样。可以是 ``uniform``, ``log_uniform`` 或 ``custom_dist`` ， 默认 ``uniform`` 。
- **custom_dist** (nd.array， 可选) – 第0维的长度为 ``num_total_classes`` 。 如果采样器类别为 ``custom_dist`` ，则使用此参数。custom_dist[i] 是第i个类别被取样的概率。默认为 None
- **seed** (int，可选) – 采样器使用的seed。默认为0
- **is_sparse** (bool，可选) – 标志位，指明是否使用稀疏更新, 为 ``True`` 时 :math:`weight@GRAD` 和 :math:`bias@GRAD` 的类型会变为 SelectedRows。默认为 ``False`` 。
返回： nce loss，数据类型与 **input** 相同
返回类型: Variable
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
window_size = 5
words = []
for i in range(window_size):
words.append(fluid.data(
name='word_{0}'.format(i), shape=[-1, 1], dtype='int64'))
dict_size = 10000
label_word = int(window_size / 2) + 1
embs = []
for i in range(window_size):
if i == label_word:
continue
emb = fluid.layers.embedding(input=words[i], size=[dict_size, 32],
param_attr='embed', is_sparse=True)
embs.append(emb)
embs = fluid.layers.concat(input=embs, axis=1)
loss = fluid.layers.nce(input=embs, label=words[label_word],
num_total_classes=dict_size, param_attr='nce.w_0',
bias_attr='nce.b_0')
#or use custom distribution
dist = np.array([0.05,0.5,0.1,0.3,0.05])
loss = fluid.layers.nce(input=embs, label=words[label_word],
num_total_classes=5, param_attr='nce.w_1',
bias_attr='nce.b_1',
num_neg_samples=3,
sampler="custom_dist",
custom_dist=dist)
doc/paddle/api/paddle/static/nn/prelu_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_prelu:
prelu
-------------------------------
.. py:function:: paddle.fluid.layers.prelu(x, mode, param_attr=None, name=None)
:api_attr: 声明式编程模式（静态图)
等式：
.. math::
y = max(0, x) + \alpha min(0, x)
共提供三种激活方式：
.. code-block:: text
all: 所有元素使用同一个alpha值
channel: 在同一个通道中的元素使用同一个alpha值
element: 每一个元素有一个独立的alpha值
参数：
- **x** （Variable）- 多维Tensor或LoDTensor，数据类型为float32。
- **mode** (str) - 权重共享模式。
- **param_attr** (ParamAttr，可选) - 可学习权重 :math:`[\alpha]` 的参数属性，可由ParamAttr创建。默认值为None，表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回： 表示激活输出Tensor或LoDTensor，数据类型为float32。与输入形状相同。
返回类型：Variable
**代码示例：**
.. code-block:: python
import paddle.fluid as fluid
from paddle.fluid.param_attr import ParamAttr
x = fluid.data(name="x", shape=[None,5,10,10], dtype="float32")
mode = 'channel'
output = fluid.layers.prelu(
x,mode,param_attr=ParamAttr(name='alpha'))
doc/paddle/api/paddle/static/nn/row_conv_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_row_conv:
row_conv
-------------------------------
.. py:function:: paddle.fluid.layers.row_conv(input, future_context_size, param_attr=None, act=None)
:api_attr: 声明式编程模式（静态图)
该接口为行卷积（Row-convolution operator）或称之为超前卷积（lookahead convolution），最早介绍于DeepSpeech2论文中，论文链接：
`<http://www.cs.cmu.edu/~dyogatam/papers/wang+etal.iclrworkshop2016.pdf>`_
双向的RNN在深度语音模型中很有用，它通过对整个序列执行正向和反向传递来学习序列的表示。然而，与单向RNNs不同的是，在线部署和低延迟设置中，双向RNNs具有难度。超前卷积将来自未来子序列的信息以一种高效的方式进行计算，以改进单向递归神经网络。 row convolution operator 与一维序列卷积不同，计算方法如下:
给定输入序列长度为 :math:`t` 的输入序列 :math:`X` 和输入维度 :math:`D` ，以及一个大小为 :math:`context * D` 的滤波器 :math:`W` ，输出序列卷积为:
.. math::
out_i = \sum_{j=i}^{i+context-1} X_{j} · W_{j-i}
公式中：
- :math:`out_i` : 第i行输出变量形为[1, D].
- :math:`context` ： 下文（future context）大小
- :math:`X_j` : 第j行输出变量,形为[1，D]
- :math:`W_{j-i}` : 第(j-i)行参数，其形状为[1,D]。
详细请参考 `设计文档 <https://github.com/PaddlePaddle/Paddle/issues/2228#issuecomment-303903645>`_ 。
参数:
- **input** (Variable) -- 支持输入为LodTensor和Tensor，输入类型可以是[float32, float64]，它支持可变时间长度的输入序列。当输入input为LodTensor时，其内部张量是一个具有形状(T x N)的矩阵，其中T是这个mini batch中的总的timestep，N是输入数据维数。当输入input为Tensor时，其形状为(B x T x N)的三维矩阵，B为mini batch大小，T为每个batch输入中的最大timestep，N是输入数据维数。当输入input为LoDTensor，形状为[9, N],LoD信息为[2, 3, 4]，等价于输入input为形状是[3, 4, N]的Tensor。
- **future_context_size** (int) -- 下文大小。请注意，卷积核的shape是[future_context_size + 1, N]，N和输入input的数据维度N保持一致。
- **param_attr** (ParamAttr) -- 参数的属性，包括名称、初始化器等。
- **act** (str) -- 非线性激活函数。
返回：表示row_conv计算结果的Variable，数据类型、维度和输入input相同。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
# LoDTensor input
x = fluid.layers.data(name='x', shape=[9, 16],
dtype='float32', lod_level=3,
append_batch_size=False)
out = fluid.layers.row_conv(input=x, future_context_size=2)
# Tensor input
x = fluid.layers.data(name='x', shape=[9, 4, 16],
dtype='float32',
append_batch_size=False)
out = fluid.layers.row_conv(input=x, future_context_size=2)
doc/paddle/api/paddle/static/nn/spectral_norm_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_spectral_norm:
spectral_norm
-------------------------------
.. py:function:: paddle.fluid.layers.spectral_norm(weight, dim=0, power_iters=1, eps=1e-12, name=None)
:api_attr: 声明式编程模式（静态图)
**Spectral Normalization Layer**
该OP用于计算了fc、conv1d、conv2d、conv3d层的权重参数的谱正则值，输入权重参数应分别为2-D, 3-D, 4-D, 5-D张量，输出张量与输入张量shape相同。谱特征值计算方式如下。
步骤1：生成形状为[H]的向量U,以及形状为[W]的向量V,其中H是输入权重张量的第 ``dim`` 个维度，W是剩余维度的乘积。
步骤2： ``power_iters`` 应该是一个正整数，用U和V迭代计算 ``power_iters`` 轮，迭代步骤如下。
.. math::
\mathbf{v} &:= \frac{\mathbf{W}^{T} \mathbf{u}}{\|\mathbf{W}^{T} \mathbf{u}\|_2}\\
\mathbf{u} &:= \frac{\mathbf{W}^{T} \mathbf{v}}{\|\mathbf{W}^{T} \mathbf{v}\|_2}
步骤3：计算 :math:`\sigma(\mathbf{W})` 并特征值值归一化。
.. math::
\sigma(\mathbf{W}) &= \mathbf{u}^{T} \mathbf{W} \mathbf{v}\\
\mathbf{W} &= \frac{\mathbf{W}}{\sigma(\mathbf{W})}
可参考: `Spectral Normalization <https://arxiv.org/abs/1802.05957>`_
参数：
- **weight** (Variable) - spectral_norm算子的输入权重张量，可以是2-D, 3-D, 4-D, 5-D Tensor，它是fc、conv1d、conv2d、conv3d层的权重，数据类型为float32或float64。
- **dim** (int) - 将输入（weight）重塑为矩阵之前应排列到第一个的维度索引，如果input（weight）是fc层的权重，则应设置为0；如果input（weight）是conv层的权重，则应设置为1，默认为0。
- **power_iters** (int) - 将用于计算spectral norm的功率迭代次数，默认值1
- **eps** (float) - epsilon用于保证计算规范中的数值稳定性，分母会加上 ``eps`` 防止除零，默认1e-12
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置。默认值：None。
返回：Variable(Tensor) 谱正则化后权重张量，维度与输入 ``weight`` 一致。
返回类型：变量(Variable)，数据类型与输入 ``weight`` 一致。
**代码示例：**
.. code-block:: python
import paddle.fluid as fluid
weight = fluid.data(name='weight', shape=[2, 8, 32, 32], dtype='float32')
x = fluid.layers.spectral_norm(weight=weight, dim=1, power_iters=2)
doc/paddle/api/paddle/static/scope_guard_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_executor_scope_guard: .. _cn_api_fluid_scope_guard:
scope_guard scope_guard
------------------------------- -------------------------------
.. py:function:: paddle.fluid.executor.scope_guard (scope) .. py:function:: paddle.fluid.scope_guard(scope)
:api_attr: 声明式编程模式（静态图) :api_attr: 声明式编程模式（静态图)
......
doc/paddle/api/paddle/tensor/creation/ones_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_ones: .. _cn_api_fluid_layers_ones:
ones ones
------------------------------- -------------------------------
.. py:function:: paddle.ones(shape, dtype=None) .. py:function:: paddle.fluid.layers.ones(shape,dtype,force_cpu=False)
该OP创建形状为 ``shape`` 、数据类型为 ``dtype`` 且值全为1的Tensor。 该OP创建形状为 ``shape`` 、数据类型为 ``dtype`` 且值全为1的Tensor。
参数： 参数：
- **shape** (tuple|list|Tensor) - 输出Tensor的形状， ``shape`` 的数据类型为int32或者int64。 - **shape** (tuple|list|Tensor) - 输出Tensor的形状， ``shape`` 的数据类型为int32或者int64。
- **dtype** (np.dtype|core.VarDesc.VarType|str， 可选) - 输出Tensor的数据类型，数据类型必须为bool、 float16、float32、float64、int32或int64。如果 ``dtype`` 为None，默认数据类型为float32。 - **dtype** (np.dtype|core.VarDesc.VarType|str) - 输出Tensor的数据类型，数据类型必须为float16、float32、float64、int32或int64。
- **name** （str，可选）- 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。 - **force_cpu** (bool， 可选) – 是否强制将输出Tensor写入CPU内存。如果 ``force_cpu`` 为False，则将输出Tensor写入当前所在运算设备的内存，默认为False。
返回：值全为1的Tensor，数据类型和 ``dtype`` 定义的类型一致。 返回：值全为1的Tensor，数据类型和 ``dtype`` 定义的类型一致。
抛出异常： 抛出异常：
- ``TypeError`` - 当 ``dtype`` 不是bool、 float16、float32、float64、int32、int64和None时。 - ``TypeError`` - 当 ``dtype`` 不是bool、 float16、float32、float64、int32、int64和None时。
- ``TypeError`` - 当 ``shape`` 不是tuple、list、或者Tensor的时， 当 ``shape`` 为Tensor时，其数据类型不是int32或者int64。 - ``TypeError`` - 当 ``shape`` 不是tuple、list、或者Tensor时， 当 ``shape`` 为Tensor，其数据类型不是int32或者int64时。
**代码示例**： **代码示例**：
.. code-block:: python .. code-block:: python
import paddle import paddle.fluid as fluid
data = fluid.layers.ones(shape=[2, 4], dtype='float32') # [[1., 1., 1., 1.], [1., 1., 1., 1.]]
paddle.enable_imperative()
#default dtype for ones OP
data1 = paddle.ones(shape=[3, 2])
# [[1. 1.]
# [1. 1.]
# [1. 1.]]
data2 = paddle.ones(shape=[2, 2], dtype='int32')
# [[1 1]
# [1 1]]
#attr shape is a Variable Tensor
shape = paddle.fill_constant(shape=[2], dtype='int32', value=2)
data3 = paddle.ones(shape=shape, dtype='int32')
# [[1 1]
# [1 1]]
doc/paddle/api/paddle/tensor/creation/ones_like_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_ones_like: .. _cn_api_fluid_layers_ones_like:
ones_like ones_like
------------------------------- -------------------------------
.. py:function:: paddle.ones_like(x, dtype=None, name=None) .. py:function:: paddle.fluid.layers.ones_like(x, out=None)
:alias_main: paddle.ones_like
:alias: paddle.tensor.ones_like, paddle.tensor.creation.ones_like
该OP返回一个和 ``x`` 具有相同形状的数值都为1的Tensor，数据类型为 ``dtype`` 或者和 ``x`` 相同。
参数
::::::::::
- **x** (Tensor) – 输入的Tensor，数据类型可以是bool，float16, float32，float64，int32，int64。输出Tensor的形状和 ``x`` 相同。如果 ``dtype`` 为None，则输出Tensor的数据类型与 ``x`` 相同。
- **dtype** (str|np.dtype|core.VarDesc.VarType, 可选) - 输出Tensor的数据类型，支持bool，float16, float32，float64，int32，int64。当该参数值为None时， 输出Tensor的数据类型与 ``x`` 相同。默认值为None.
- **name** (str, 可选) - 输出的名字。一般无需设置，默认值为None。该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` 。
返回 ones_like
::::::::::
Tensor：和 ``x`` 具有相同形状的数值都为1的Tensor，数据类型为 ``dtype`` 或者和 ``x`` 相同。 该功能创建一个形状与类型与x相似的张量，初始值为1。
参数：
- **x** (Variable) - 指定形状与数据类型的输入张量
- **out** (Variable)-输出张量
抛出异常 返回：输出张量
::::::::::
- ``TypeError`` - 如果 ``dtype`` 不是bool、float16、float32、float64、int32、int64。
代码示例 返回类型：变量（Variable）
::::::::::
**代码示例**：
.. code-block:: python .. code-block:: python
import paddle import paddle.fluid as fluid
import numpy as np
x = fluid.layers.data(name='x', dtype='float32', shape=[3], append_batch_size=False)
data = fluid.layers.ones_like(x) # [1.0, 1.0, 1.0]
paddle.enable_imperative()
x = paddle.imperative.to_variable(np.array([1,2,3], dtype='float32'))
out1 = paddle.ones_like(x) # [1., 1., 1.]
out2 = paddle.ones_like(x, dtype='int32') # [1, 1, 1]
doc/paddle/api/paddle/tensor/creation/zeros_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_zeros: .. _cn_api_fluid_layers_zeros:
zeros zeros
------------------------------- -------------------------------
.. py:function:: paddle.zeros(shape, dtype=None, name=None) .. py:function:: paddle.fluid.layers.zeros(shape,dtype,force_cpu=False)
该OP创建形状为 ``shape`` 、数据类型为 ``dtype`` 且值全为0的Tensor。 该OP创建形状为 ``shape`` 、数据类型为 ``dtype`` 且值全为0的Tensor。
参数： 参数：
- **shape** (tuple|list|Tensor) - 输出Tensor的形状， ``shape`` 的数据类型为int32或者int64。 - **shape** (tuple|list|Tensor) - 输出Tensor的形状， ``shape`` 的数据类型为int32或者int64。
- **dtype** (np.dtype|core.VarDesc.VarType|str) - 输出Tensor的数据类型，数据类型必须为bool、float16、float32、float64、int32或int64。 - **dtype** (np.dtype|core.VarDesc.VarType|str) - 输出Tensor的数据类型，数据类型必须为float16、float32、float64、int32或int64。
- **force_cpu** (bool， 可选) - 是否强制将输出Tensor写入CPU内存。如果 ``force_cpu`` 为False，则将输出Tensor写入当前所在运算设备的内存，默认为False。
返回：值全为0的Tensor，数据类型和 ``dtype`` 定义的类型一致。 返回：值全为0的Tensor，数据类型和 ``dtype`` 定义的类型一致。
抛出异常： 抛出异常：
- ``TypeError`` - 当 ``dtype`` 不是bool、 float16、float32、float64、int32、int64和None时。 - ``TypeError`` - 当 ``dtype`` 不是bool、 float16、float32、float64、int32、int64和None时。
- ``TypeError`` - 当 ``shape`` 不是tuple、list、或者Tensor时， 当 ``shape`` 为Tensor，其数据类型不是int32或者int64时。 - ``TypeError`` - 当 ``shape`` 不是tuple、list、或者Tensor时。 当 ``shape`` 为Tensor，其数据类型不是int32或者int64时。
**代码示例**： **代码示例**：
.. code-block:: python .. code-block:: python
import paddle import paddle.fluid as fluid
paddle.enable_imperative() # Now we are in imperative mode data = fluid.layers.zeros(shape=[3, 2], dtype='float32') # [[0., 0.], [0., 0.], [0., 0.]]
data = paddle.zeros(shape=[3, 2], dtype='float32')
# [[0. 0.]
# [0. 0.]
# [0. 0.]]
data = paddle.zeros(shape=[2, 2])
# [[0. 0.]
# [0. 0.]]
# shape is a Tensor
shape = paddle.fill_constant(shape=[2], dtype='int32', value=2)
data3 = paddle.ones(shape=shape, dtype='int32')
# [[0 0]
# [0 0]]
doc/paddle/api/paddle/tensor/creation/zeros_like_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_zeros_like: .. _cn_api_fluid_layers_zeros_like:
zeros_like zeros_like
------------------------------- -------------------------------
.. py:function:: paddle.zeros_like(x, dtype=None, name=None) .. py:function:: paddle.fluid.layers.zeros_like(x, out=None)
:alias_main: paddle.zeros_like
:alias: paddle.tensor.zeros_like, paddle.tensor.creation.zeros_like
:update_api: paddle.fluid.layers.zeros_like
该OP返回一个和 ``x`` 具有相同的形状的全零Tensor，数据类型为 ``dtype`` 或者和 ``x`` 相同。
参数
::::::::::
- **x** (Tensor) – 输入的多维Tensor，数据类型可以是bool，float16, float32，float64，int32，int64。输出Tensor的形状和 ``x`` 相同。如果 ``dtype`` 为None，则输出Tensor的数据类型与 ``x`` 相同。
- **dtype** (str|np.dtype|core.VarDesc.VarType, 可选) - 输出Tensor的数据类型，支持bool，float16, float32，float64，int32，int64。当该参数值为None时， 输出Tensor的数据类型与 ``x`` 相同。默认值为None.
- **name** (str, 可选) - 输出的名字。一般无需设置，默认值为None。该参数供开发人员打印调试信息时使用，具体用法请参见 :ref:`api_guide_Name` 。
返回
::::::::::
Tensor：和 ``x`` 具有相同的形状全零Tensor，数据类型为 ``dtype`` 或者和 ``x`` 相同。
抛出异常 该OP创建一个和x具有相同的形状和数据类型的全零Tensor。
::::::::::
- ``TypeError`` - 如果 ``dtype`` 不是bool、float16、float32、float64、int32、int64。
代码示例 参数：
:::::::::: - **x** (Variable) – 指定输入为一个多维的Tensor，数据类型可以是bool，float32，float64，int32，int64。
- **out** (Variable|可选) – 如果为None，则创建一个Variable作为输出，创建后的Variable的数据类型，shape大小和输入变量x一致。如果是输入的一个Tensor，数据类型和数据shape大小需要和输入变量x一致。默认值为None。
.. code-block:: python 返回：返回一个多维的Tensor，具体的元素值和输入的数据类型相关，如果是bool类型的，则全False，其它均为0。数据shape大小和输入x一致。
返回类型：Variable
import paddle **代码示例**：
import numpy as np
.. code-block:: python
paddle.enable_imperative() import paddle.fluid as fluid
x = fluid.data(name='x', dtype='float32', shape=[3])
data = fluid.layers.zeros_like(x) # [0.0, 0.0, 0.0]
x = paddle.imperative.to_variable(np.array([1,2,3], dtype='float32'))
out1 = paddle.zeros_like(x) # [0., 0., 0.]
out2 = paddle.zeros_like(x, dtype='int32') # [0, 0, 0]
doc/paddle/api/paddle/tensor/load_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_load:
load
-------------------------------
.. py:function:: paddle.fluid.load(program, model_path, executor=None, var_list=None)
:api_attr: 声明式编程模式（静态图)
该接口从Program中过滤出参数和优化器信息，然后从文件中获取相应的值。
如果Program和加载的文件之间参数的维度或数据类型不匹配，将引发异常。
该函数还可以加载用[save_params，save_persistables，save_vars]接口保存的模型文件。
当[save_params，save_persistables，save_vars]保存的模型格式为单个大文件时，var_list不能为None。
参数:
- **program** ( :ref:`cn_api_fluid_Program` ) – 要加载的Program。
- **model_path** (str) – 保存Program的目录名称+文件前缀。格式为 ``目录名称/文件前缀`` 。
- **executor** (Executor, 可选) - 当startup program没有运行时，用于初始化参数的Executor。默认值：None。
- **var_list** (list, 可选) - 指定加载的变量列表，该参数只在加载旧接口[save_params，save_persistables，save_vars]保存的模型文件时使用。当加载的是多个小文件时，变量列表可以是所有加载文件中变量的子集；当加载的单个大文件时，变量列表必须和加载文件中的变量保持一致。
返回: 无
**代码示例**
.. code-block:: python
# example1
import paddle.fluid as fluid
x = fluid.data( name="x", shape=[10, 10], dtype='float32')
y = fluid.layers.fc(x, 10)
z = fluid.layers.fc(y, 10)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
fluid.save(fluid.default_main_program(), "./test_path")
fluid.load(fluid.default_main_program(), "./test_path")
# example2
# 注意example1和example2应该分开执行，避免干扰。
import paddle.fluid as fluid
x = fluid.data( name="x", shape=[10, 10], dtype='float32')
y = fluid.layers.fc(x, 10)
z = fluid.layers.fc(y, 10)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
fluid.save(fluid.default_main_program(), "./test_path")
fluid.load(fluid.default_main_program(), "./test_path", exe)
doc/paddle/api/paddle/tensor/manipulation/concat_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_concat: .. _cn_api_fluid_layers_concat:
concat concat
------------------------------- -------------------------------
.. py:function:: paddle.tensor.concat(x, axis=0, name=None) .. py:function:: paddle.fluid.layers.concat(input, axis=0, name=None)
该OP对输入沿 ``axis`` 轴进行联结，返回一个新的Tensor。 该OP对输入沿 ``axis`` 轴进行联结，返回一个新的Tensor。
参数： 参数：
- **x** (list|tuple) - 待联结的Tensor list或者Tensor tuple ，支持的数据类型为：bool, float16, float32、float64、int32、int64， ``x`` 中所有Tensor的数据类型应该一致。 - **input** (list|tuple|Tensor) - 待联结的Tensor list，Tensor tuple或者Tensor，支持的数据类型为：bool、float16、 float32、float64、int32、int64。 ``input`` 中所有Tensor的数据类型必须一致。
- **axis** (int|Tensor，可选) - 指定对输入 ``x`` 进行运算的轴，可以是整数或者形状为[1]的Tensor，数据类型为int32或者int64。 ``axis`` 的有效范围是[-R, R)，R是输入 ``x`` 中Tensor的维度， ``axis`` 为负值时与 :math:`axis + R` 等价。默认值为0。 - **axis** (int|Tensor，可选) - 指定对输入Tensor进行运算的轴，可以是整数或者形状为[1]的Tensor，数据类型为int32或者int64。 ``axis`` 的有效范围是[-R, R)，R是输入 ``input`` 中Tensor 的维度， ``axis`` 为负值时与 :math:`axis + R` 等价。默认值为0。
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。 - **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回：联结后的Tensor ，数据类型和 ``x`` 中的Tensor相同。 返回：联结后的 ``Tensor`` ，数据类型和 ``input`` 中的Tensor相同。
抛出异常： 抛出异常：
- ``TypeError``: - 当输入 ``x`` 的类型不是list或者tuple时。 - ``TypeError``: - 当输入 ``input`` 的类型不是list、tuple或者Tensor的时候。
- ``TypeError``: - 当输入 ``x`` 的数据类型不是 bool，float16， float32， float64， int32， int64时。 - ``TypeError``: - 当输入 ``input`` 的数据类型不是 bool，float16， float32， float64， int32， int64时。
- ``TypeError``: - 当 ``axis`` 的类型不是int或者Tensor时。 当 ``axis`` 是Tensor的时候其数据类型不是int32或者int64时。 - ``TypeError``: - 当 ``axis`` 的类型不是int或者Tensor时。当 ``axis`` 是Tensor的时候其数据类型不是int32或者int64时。
- ``TypeError``: - 当输入 ``x`` 中的Tensor存在数据类型不一致时。 - ``TypeError``: - 当输入 ``input`` 中的Tensor存在数据类型不一致时。
**代码示例**： **代码示例**：
.. code-block:: python .. code-block:: python
import paddle import paddle.fluid as fluid
import numpy as np import numpy as np
paddle.enable_imperative() # Now we are in imperative mode
in1 = np.array([[1, 2, 3], in1 = np.array([[1, 2, 3],
[4, 5, 6]]) [4, 5, 6]])
in2 = np.array([[11, 12, 13], in2 = np.array([[11, 12, 13],
[14, 15, 16]]) [14, 15, 16]])
in3 = np.array([[21, 22], in3 = np.array([[21, 22],
[23, 24]]) [23, 24]])
x1 = paddle.imperative.to_variable(in1) with fluid.dygraph.guard():
x2 = paddle.imperative.to_variable(in2) x1 = fluid.dygraph.to_variable(in1)
x3 = paddle.imperative.to_variable(in3) x2 = fluid.dygraph.to_variable(in2)
zero = paddle.full(shape=[1], dtype='int32', fill_value=0) x3 = fluid.dygraph.to_variable(in3)
# When the axis is negative, the real axis is (axis + Rank(x)) out1 = fluid.layers.concat(input=[x1, x2, x3], axis=-1)
# As follow, axis is -1, Rank(x) is 2, the real axis is 1 out2 = fluid.layers.concat(input=[x1, x2], axis=0)
out1 = paddle.concat(x=[x1, x2, x3], axis=-1) print(out1.numpy())
out2 = paddle.concat(x=[x1, x2], axis=0)
out3 = paddle.concat(x=[x1, x2], axis=zero)
# out1
# [[ 1 2 3 11 12 13 21 22] # [[ 1 2 3 11 12 13 21 22]
# [ 4 5 6 14 15 16 23 24]] # [ 4 5 6 14 15 16 23 24]]
# out2 out3 print(out2.numpy())
# [[ 1 2 3] # [[ 1 2 3]
# [ 4 5 6] # [ 4 5 6]
# [11 12 13] # [11 12 13]
......
doc/paddle/api/paddle/tensor/manipulation/expand_as_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_expand_as:
expand_as
-------------------------------
.. py:function:: paddle.fluid.layers.expand_as(x, target_tensor, name=None)
:alias_main: paddle.expand_as
:alias: paddle.expand_as,paddle.tensor.expand_as,paddle.tensor.manipulation.expand_as
:old_api: paddle.fluid.layers.expand_as
该OP会根据输入的variable ``target_tensor`` 对输入 ``x`` 的各维度进行广播。通过 ``target_tensor``的维度来为 ``x`` 的每个维度设置广播的次数，使得x 的维度与target_tensor的维度相同。 ``x`` 的秩应小于等于6。注意， ``target_tensor`` 的秩必须与 ``x`` 的秩相同。
注意:``target_tensor`` 对应的每一维必须能整除输入x中对应的维度，否则会报错。比如，target_tensor的维度为[2,6,2],x为[2,3,1],则整除后为[1,2,2]，x广播后维度为[2,6,2]。如果target_tensor的维度为[2,5,2]，第二维5不能整除x的第二维3，则会报错。
以下是一个示例：
::
输入(x) 是一个形状为[2, 3, 1]的 3-D Tensor :
[
[[1], [2], [3]],
[[4], [5], [6]]
]
target_tensor的维度 : [2, 6, 2]
输出(out) 是一个形状为[2, 6, 2]的 3-D Tensor:
[
[[1, 1], [2, 2], [3, 3], [1, 1], [2, 2], [3, 3]],
[[4, 4], [5, 5], [6, 6], [4, 4], [5, 5], [6, 6]]
]
参数:
- **x** （Variable）- 维度最高为6的多维 ``Tensor`` 或 ``LoDTensor``，数据类型为 ``float32``，``float64``，``int32`` 或 ``bool``。
- **target_tensor** （list|tuple|Variable）- 数据类型为 ``float32``，``float64``，``int32`` 或 ``bool`` 。可为Tensor或者LODTensor。
- **name** （str，可选）- 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置。默认值： ``None``。
返回：维度与输入 ``x`` 相同的 ``Tensor`` 或 ``LoDTensor``，数据类型与 ``x`` 相同。返回值的每个维度的大小等于``target_tensor`` 对应的维度的大小。
返回类型：``Variable`` 。
抛出异常：
- :code:`ValueError`：``target_tensor`` 对应的每一维必须能整除输入x中对应的维度，否则会报错。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
import numpy as np
data = fluid.data(name="data", shape=[-1,10], dtype='float64')
target_tensor = fluid.data(name="target_tensor", shape=[-1,20], dtype='float64')
result = fluid.layers.expand_as(x=data, target_tensor=target_tensor)
use_cuda = False
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
x = np.random.rand(3,10)
y = np.random.rand(3,20)
output= exe.run(feed={"data":x,"target_tensor":y},fetch_list=[result.name])
print(output[0].shape)
#(3,20)
\ No newline at end of file
doc/paddle/api/paddle/tensor/manipulation/expand_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_layers_expand:
expand
-------------------------------
.. py:function:: paddle.fluid.layers.expand(x, expand_times, name=None)
:alias_main: paddle.expand
:alias: paddle.expand,paddle.tensor.expand,paddle.tensor.manipulation.expand
:old_api: paddle.fluid.layers.expand
该OP会根据参数 ``expand_times`` 对输入 ``x`` 的各维度进行复制。通过参数 ``expand_times`` 来为 ``x`` 的每个维度设置复制次数。 ``x`` 的秩应小于等于6。注意， ``expand_times`` 的大小必须与 ``x`` 的秩相同。以下是一个用例：
::
输入(x) 是一个形状为[2, 3, 1]的 3-D Tensor :
[
[[1], [2], [3]],
[[4], [5], [6]]
]
属性(expand_times): [1, 2, 2]
输出(out) 是一个形状为[2, 6, 2]的 3-D Tensor:
[
[[1, 1], [2, 2], [3, 3], [1, 1], [2, 2], [3, 3]],
[[4, 4], [5, 5], [6, 6], [4, 4], [5, 5], [6, 6]]
]
参数:
- **x** （Variable）- 维度最高为6的多维 ``Tensor`` 或 ``LoDTensor``，数据类型为 ``float32``，``float64``，``int32`` 或 ``bool``。
- **expand_times** （list|tuple|Variable）- 数据类型是 ``int32`` 。如果 ``expand_times`` 的类型是 list 或 tuple，它的元素可以是整数或者形状为[1]的 ``Tensor`` 或 ``LoDTensor``。如果 ``expand_times`` 的类型是 ``Variable``，则是1-D ``Tensor`` 或 ``LoDTensor``。表示 ``x`` 每一个维度被复制的次数。
- **name** （str，可选）- 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置。默认值： ``None``。
返回：维度与输入 ``x`` 相同的 ``Tensor`` 或 ``LoDTensor``，数据类型与 ``x`` 相同。返回值的每个维度的大小等于 ``x`` 的相应维度的大小乘以 ``expand_times`` 给出的相应值。
返回类型：``Variable`` 。
抛出异常：
- :code:`TypeError`：``expand_times`` 的类型应该是 list、tuple 或 Variable。
- :code:`ValueError`：``expand_times`` 中的元素不能是负值。
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
# example 1:
data_1 = fluid.layers.fill_constant(shape=[2, 3, 1], dtype='int32', value=0)
expanded_1 = fluid.layers.expand(data_1, expand_times=[1, 2, 2])
# the shape of expanded_1 is [2, 6, 2].
# example 2:
data_2 = fluid.layers.fill_constant(shape=[12, 14], dtype="int32", value=3)
expand_times = fluid.layers.fill_constant(shape=[2], dtype="int32", value=4)
expanded_2 = fluid.layers.expand(data_2, expand_times=expand_times)
# the shape of expanded_2 is [48, 56].
doc/paddle/api/paddle/tensor/manipulation/gather_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_paddle_tensor_gather .. _cn_api_fluid_layers_gather:
gather gather
------------------------------- -------------------------------
.. py:function:: paddle.tensor.gather(input, index, overwrite=True) .. py:function:: paddle.fluid.layers.gather(input, index, overwrite=True)
:alias_main: paddle.gather
:alias: paddle.gather,paddle.tensor.gather,paddle.tensor.manipulation.gather
:update_api: paddle.fluid.layers.gather
根据索引 index 获取输入（input）的最外层维度的条目，并将它们拼接在一起。 根据索引 ``index`` 获取输入（input）的最外层维度的条目，并将它们拼接在一起。
.. math:: .. math::
Out=X[Index] Out=X[Index]
**参数**: .. code-block:: text
X = [[1, 2],
[3, 4],
[5, 6]]
Index = [1, 2]
Then:
Out = [[3, 4],
[5, 6]]
参数:
- **input** (Variable) - 输入, 秩 ``rank >= 1`` , 支持的数据类型包括 int32、int64、float32、float64 和 uint8 (CPU)、float16（GPU） 。 - **input** (Variable) - 输入, 秩 ``rank >= 1`` , 支持的数据类型包括 int32、int64、float32、float64 和 uint8 (CPU)、float16（GPU） 。
- **index** (Variable) - 索引，秩 ``rank = 1``, 数据类型为 int32 或 int64。 - **index** (Variable) - 索引，秩 ``rank = 1``, 数据类型为 int32 或 int64。
- **overwrite** (bool) - 具有相同索引时在反向更新梯度的模式。如果为 ``True`` ，则使用覆盖模式更新相同索引的梯度；如果为 ``False`` ，则使用累积模式更新相同索引的梯度。默认值为 ``True`` 。 - **overwrite** (bool) - 具有相同索引时在反向更新梯度的模式。如果为 ``True`` ，则使用覆盖模式更新相同索引的梯度；如果为 ``False`` ，则使用累积模式更新相同索引的梯度。默认值为 ``True`` 。
**返回**：和输入的秩相同的输出张量。 返回：和输入的秩相同的输出张量。
**返回类型**：Variable 返回类型：Variable
**代码示例**： **代码示例**
.. code-block:: python .. code-block:: python
import paddle
import paddle.fluid as fluid import paddle.fluid as fluid
import numpy as np x = fluid.layers.data(name='x', shape=[-1, 5], dtype='float32')
with fluid.dygraph.guard(): index = fluid.layers.data(name='index', shape=[-1, 1], dtype='int32')
input_1 = np.array([[1,2,3],[4,5,6],[7,8,9]]) output = fluid.layers.gather(x, index)
index_1 = np.array([0,1])
input = fluid.dygraph.to_variable(input_1)
index = fluid.dygraph.to_variable(index_1)
output = paddle.fluid.layers.gather(input, index)
# expected output: [[1, 2, 3],[4, 5, 6]]
doc/paddle/api/paddle/tensor/manipulation/split_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_paddle_tensor_split .. _cn_api_fluid_layers_split:
split split
------------------------------- -------------------------------
.. py:function:: paddle.tensor.split(x, num_or_sections, axis=0, name=None) .. py:function:: paddle.fluid.layers.split(input, num_or_sections, dim=-1, name=None)
该OP将输入Tensor分割成多个子Tensor。 该OP将输入Tensor分割成多个子Tensor。
**参数**： 参数：
- **x** (Tensor) - 输入变量，数据类型为bool, float16, float32，float64，int32，int64的多维Tensor。 - **input** (Tensor) - 输入变量，数据类型为bool， float16，float32，float64，int32，int64的多维Tensor。
- **num_or_sections** (int|list|tuple) - 如果 ``num_or_sections`` 是一个整数，则表示Tensor平均划分为相同大小子Tensor的数量。如果 ``num_or_sections`` 是一个list或tuple，那么它的长度代表子Tensor的数量，它的元素可以是整数或者形状为[1]的Tensor，依次代表子Tensor需要分割成的维度的大小。list或tuple的长度不能超过输入Tensor待分割的维度的大小。在list或tuple中，至多有一个元素值为-1，表示该值是由 ``x`` 的维度和其他 ``num_or_sections`` 中元素推断出来的。例如对一个维度为[4,6,6]Tensor的第三维进行分割时，指定 ``num_or_sections=[2,-1,1]`` ，输出的三个Tensor维度分别为：[4,6,2]，[4,6,3]，[4,6,1]。 - **num_or_sections** (int|list|tuple) - 如果 ``num_or_sections`` 是一个整数，则表示Tensor平均划分为相同大小子Tensor的数量。如果 ``num_or_sections`` 是一个list或tuple，那么它的长度代表子Tensor的数量，它的元素可以是整数或者形状为[1]的Tensor，依次代表子Tensor需要分割成的维度的大小。list或tuple的长度不能超过输入Tensor待分割的维度的大小。至多有一个元素值为-1，-1表示该值是由 ``input`` 待分割的维度值和 ``num_or_sections`` 的剩余元素推断出来的。
- **axis** (int|Tensor，可选) - 整数或者形状为[1]的Tensor，数据类型为int32或int64。表示需要分割的维度。如果 ``axis < 0`` ，则划分的维度为 ``rank(x) + axis`` 。默认值为0。 - **dim** (int|Tenspr，可选) - 整数或者形状为[1]的Tensor，数据类型为int32或int64。表示需要分割的维度。如果 ``dim < 0`` ，则划分的维度为 ``rank(input) + dim`` 。默认值为-1。
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。 - **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回：分割后的Tensor列表。 返回：分割后的Tensor列表。
抛出异常： 抛出异常：
- :code:`TypeError`：``x`` 的数据类型不是float16、float32、float64、int32或int64时 。 - :code:`TypeError`：``input`` 的数据类型不是bool、float16、float32、float64、int32或int64时 。
- :code:`TypeError`：``num_or_sections`` 不是int、list 或 tuple时。 - :code:`TypeError`：``num_or_sections`` 不是int、list 或 tuple时。
- :code:`TypeError`：``axis`` 不是 int 或 Tensor时。当 ``axis`` 为Tensor，其数据类型不是int32或int64时。 - :code:`TypeError`：``dim`` 不是 int 或 Tensor时。当 ``dim`` 为Tensor，其数据类型不是int32或int64时。
**代码示例**： **代码示例**：
.. code-block:: python .. code-block:: python
import numpy as np import paddle.fluid as fluid
import paddle
paddle.enable_imperative() # input is a Tensor which shape is [3, 9, 5]
# x is a Tensor which shape is [3, 9, 5] input = fluid.data(
x_np = np.random.random([3, 9, 5]).astype("int32") name="input", shape=[3, 9, 5], dtype="float32")
x = paddle.imperative.to_variable(x_np)
out0, out1, out22 = paddle.split(x, num_or_sections=3, axis=1) out0, out1, out2 = fluid.layers.split(input, num_or_sections=3, dim=1)
# out0.shape [3, 3, 5] # out0.shape [3, 3, 5]
# out1.shape [3, 3, 5] # out1.shape [3, 3, 5]
# out2.shape [3, 3, 5] # out2.shape [3, 3, 5]
out0, out1, out2 = paddle.split(x, num_or_sections=[2, 3, 4], axis=1) out0, out1, out2 = fluid.layers.split(input, num_or_sections=[2, 3, 4], dim=1)
# out0.shape [3, 2, 5] # out0.shape [3, 2, 5]
# out1.shape [3, 3, 5] # out1.shape [3, 3, 5]
# out2.shape [3, 4, 5] # out2.shape [3, 4, 5]
out0, out1, out2 = paddle.split(x, num_or_sections=[2, 3, -1], axis=1) out0, out1, out2 = fluid.layers.split(input, num_or_sections=[2, 3, -1], dim=1)
# out0.shape [3, 2, 5] # out0.shape [3, 2, 5]
# out1.shape [3, 3, 5] # out1.shape [3, 3, 5]
# out2.shape [3, 4, 5] # out2.shape [3, 4, 5]
# axis is negative, the real axis is (rank(x) + axis) which real # dim is negative, the real dim is (rank(input) + axis) which real
# value is 1. # value is 1.
out0, out1, out2 = paddle.split(x, num_or_sections=3, axis=-2) out0, out1, out2 = fluid.layers.split(input, num_or_sections=3, dim=-2)
# out0.shape [3, 3, 5] # out0.shape [3, 3, 5]
# out1.shape [3, 3, 5] # out1.shape [3, 3, 5]
# out2.shape [3, 3, 5] # out2.shape [3, 3, 5]
doc/paddle/api/paddle/tensor/manipulation/squeeze_cn.rst 已删除 100644 → 0
浏览文件 @ a219c253
.. _cn_api_fluid_layers_squeeze:
squeeze
-------------------------------
.. py:function:: paddle.fluid.layers.squeeze(input, axes, name=None)
该OP会根据axes压缩输入Tensor的维度。如果指定了axes，则会删除axes中指定的维度，axes指定的维度要等于1。如果没有指定axes，那么所有等于1的维度都会被删除。
- 例1：
.. code-block:: python
输入：
X.shape = [1,3,1,5]
axes = [0]
输出;
Out.shape = [3,1,5]
- 例2：
.. code-block:: python
输入：
X.shape = [1,3,1,5]
axes = []
输出:
Out.shape = [3,5]
- 例3：
.. code-block:: python
输入:
X.shape = [1,3,1,5]
axes = [-2]
输出：
Out.shape = [1,3,5]
参数：
- **input** (Variable) - 输入任意维度的Tensor。 支持的数据类型：float32，float64，int8，int32，int64。
- **axes** (list) - 输入一个或一列整数，代表要压缩的轴。axes的范围： :math:`[-rank(input), rank(input))` 。 axes为负数时， :math:`axes=axes+rank(input)` 。
- **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回: 返回对维度进行压缩后的Tensor。数据类型与输入Tensor一致。
返回类型：Variable
**代码示例**：
.. code-block:: python
import paddle.fluid as fluid
import paddle.fluid.layers as layers
x = layers.data(name='x', shape=[5, 1, 10])
y = layers.squeeze(input=x, axes=[1]) #y.shape=[5, 10]
doc/paddle/api/paddle/tensor/math/atan_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_atan: .. _cn_api_fluid_layers_atan:
atan atan
------------------------------- -------------------------------
.. py:function:: paddle.atan(x, name=None, out=None) .. py:function:: paddle.fluid.layers.atan(x, name=None)
arctanh 激活函数。 :alias_main: paddle.atan
:alias: paddle.atan,paddle.tensor.atan,paddle.tensor.math.atan
:update_api: paddle.fluid.layers.atan
arctanh激活函数。
.. math:: .. math::
out = tanh^{-1}(x) out = tanh^{-1}(x)
...@@ -13,26 +19,22 @@ arctanh 激活函数。 ...@@ -13,26 +19,22 @@ arctanh 激活函数。
参数: 参数:
- **x(Variable)** - atan的输入Tensor，数据类型为 float32 或 float64 - **x(Variable)** - atan的输入Tensor，数据类型为 float32 或 float64
- **name** (str|None) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。 - **name** (str|None) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。
- **out** (Variable, 可选) – 指定存储运算结果的Tensor。如果设置为None或者不设置，将创建新的Tensor存储运算结果，默认值为None。
返回：返回类型为Variable(Tensor|LoDTensor)， 数据类型同输入一致。 返回： `atan` 的输出Tensor，数据类型与 `x` 相同。
返回类型： Variable
**代码示例**： **代码示例**：
.. code-block:: python .. code-block:: python
import numpy as np
import paddle
import paddle.fluid as fluid import paddle.fluid as fluid
data = fluid.layers.data(name="input", shape=[4])
# if data is [-0.8183, 0.4912, -0.6444, 0.0371]
result = fluid.layers.atan(data)
# result is [-0.6858, 0.4566, -0.5724, 0.0371]
inputs = fluid.layers.data(name="x", shape = [3], dtype='float32')
output = paddle.atan(inputs)
exe = fluid.Executor(fluid.CPUPlace())
exe.run(fluid.default_startup_program())
img = np.array([-0.8183, 0.4912, -0.6444, 0.0371]).astype(np.float32)
res = exe.run(fluid.default_main_program(), feed={'x':img}, fetch_list=[output])
print(res)
#[array([-0.6858003, 0.45658287, -0.5724284, 0.03708299], dtype=float32)]
doc/paddle/api/paddle/tensor/math/pow_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_argmax: .. _cn_api_fluid_layers_pow:
pow pow
------------------------------- -------------------------------
.. py:function:: paddle.pow(input, exponent, out=None, name=None): .. py:function:: paddle.pow(x, exponent, name=None)
:alias_main: paddle.pow
:alias: paddle.pow,paddle.tensor.pow,paddle.tensor.math.pow
:update_api: paddle.fluid.layers.pow
该OP是指数激活算子： 该OP是指数激活算子：
.. math:: .. math::
out = x^{exponent} out = x^{exponent}
**注意：如果需要对输入进行 elementwise_pow 操作，请查使用** :ref:`cn_api_fluid_layers_elementwise_pow` 。
参数： 参数：
- **x** （Variable）- 多维 ``Tensor`` 或 ``LoDTensor`` ，数据类型为 ``float32`` 或 ``float64`` 。 - **x** （Variable）- 多维 ``Variable``，数据类型为 ``float32`` 或 ``float64`` 。
- **exponent** （float32|Variable，可选）- ``float32`` 或形状为[1]的 ``Tensor`` 或 ``LoDTensor``，数据类型为 ``float32``。Pow OP的指数因子。默认值：1.0。 - **exponent** （float32|Variable）- ``float32`` 或形状为[1]的 ``Variable``，数据类型为 ``float32``。
- **out** (Variable, 可选) - 默认值None，如果out不为空，则该运算结果存储在out变量中。 - **name** （str，可选）- 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置。默认值： ``None``。
- **name** (str，可选) - 默认值None，输出的名称。该参数供开发人员打印调试信息时使用，具体用法参见 :ref:`api_guide_name`。当out和name同时不为空时，结果输出变量名与out保持一致。
返回：维度与输入 `x` 相同的 ``Tensor`` 或 ``LoDTensor``，数据类型与 ``x`` 相同。 返回：维度与输入 `x` 相同的 ``Variable``，数据类型与 ``x`` 相同。
返回类型：Variable。 返回类型：Variable。
...@@ -32,16 +31,25 @@ pow ...@@ -32,16 +31,25 @@ pow
.. code-block:: python .. code-block:: python
import paddle import paddle
import paddle.fluid as fluid import numpy as np
x = fluid.data(name="x", shape=[32,32], dtype="float32") x = fluid.data(name="x", shape=[32,32], dtype="float32")
paddle.enable_imperative()
# example 1: exponent is a float
x_data = np.array([1, 2, 3])
exponent = 2
x = paddle.imperative.to_variable(x_data)
res = paddle.pow(x, exponent)
print(res.numpy()) # [1 4 9]
# example 2: exponent is a Variable
exponent = paddle.fill_constant(shape=[1], value=2, dtype='float32')
res = paddle.pow(x, exponent)
print(res.numpy()) # [1 4 9]
# 示例1: 参数exponent是个浮点数
res = fluid.data(name="output", shape=[32,32], dtype="float32")
y_1 = paddle.pow(x, 2.0, out=res)
# y_1 is x^{2.0}
# 示例2: 参数exponent是个变量
exponent_tensor = fluid.layers.fill_constant([1], "float32", 3.0)
res = fluid.data(name="output", shape=[32,32], dtype="float32")
y_2 = paddle.pow(x, exponent_tensor, out=res)
# y_2 is x^{3.0}
\ No newline at end of file
doc/paddle/api/paddle/tensor/math/sin_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_sin: .. _cn_api_fluid_layers_sin:
sin sin
------------------------------- -------------------------------
.. py:function:: paddle.sin(x, name=None, out=None) .. py:function:: paddle.fluid.layers.sin(x, name=None)
:alias_main: paddle.sin
:alias: paddle.sin,paddle.tensor.sin,paddle.tensor.math.sin
:update_api: paddle.fluid.layers.sin
计算输入的正弦值。 计算输入的正弦值。
.. math::
out = sin(x)
参数: 参数:
- **x** (Variable) - 支持任意维度的Tensor。数据类型为float32，float64或float16。 - **x** (Variable) - 支持任意维度的Tensor。数据类型为float32，float64或float16。
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。 - **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
- **out** (Variable, 可选) – 指定存储运算结果的Tensor。如果设置为None或者不设置，将创建新的Tensor存储运算结果，默认值为None。
返回：返回类型为Variable(Tensor|LoDTensor)， 数据类型同输入一致。 返回：返回类型为Variable(Tensor|LoDTensor)， 数据类型同输入一致。
...@@ -28,11 +21,10 @@ sin ...@@ -28,11 +21,10 @@ sin
.. code-block:: python .. code-block:: python
import numpy as np import numpy as np
import paddle
import paddle.fluid as fluid import paddle.fluid as fluid
inputs = fluid.layers.data(name="x", shape = [3], dtype='float32') inputs = fluid.layers.data(name="x", shape = [3], dtype='float32')
output = paddle.sin(inputs) output = fluid.layers.sin(inputs)
exe = fluid.Executor(fluid.CPUPlace()) exe = fluid.Executor(fluid.CPUPlace())
exe.run(fluid.default_startup_program()) exe.run(fluid.default_startup_program())
...@@ -42,3 +34,16 @@ sin ...@@ -42,3 +34,16 @@ sin
res = exe.run(fluid.default_main_program(), feed={'x':img}, fetch_list=[output]) res = exe.run(fluid.default_main_program(), feed={'x':img}, fetch_list=[output])
print(res) print(res)
# [array([0. , 0.8509035 , 0.89399666], dtype=float32)] # [array([0. , 0.8509035 , 0.89399666], dtype=float32)]
doc/paddle/api/paddle/tensor/math/sqrt_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_sqrt: .. _cn_api_fluid_layers_sqrt:
sqrt sqrt
------------------------------- -------------------------------
.. py:function:: paddle.sqrt(x, name=None, out=None) .. py:function:: paddle.fluid.layers.sqrt(x, name=None)
:alias_main: paddle.sqrt
:alias: paddle.sqrt,paddle.tensor.sqrt,paddle.tensor.math.sqrt
:update_api: paddle.fluid.layers.sqrt
计算输入的算数平方根。 计算输入的算数平方根。
.. math:: .. math:: out=\sqrt x=x^{1/2}
out=\sqrt x=x^{1/2}
.. note:: .. note::
请确保输入中的数值是非负数。 请确保输入中的数值是非负数。
...@@ -23,7 +19,6 @@ sqrt ...@@ -23,7 +19,6 @@ sqrt
- **x** (Variable) - 支持任意维度的Tensor。数据类型为float32，float64或float16。 - **x** (Variable) - 支持任意维度的Tensor。数据类型为float32，float64或float16。
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。 - **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
- **out** (Variable, 可选) – 指定存储运算结果的Tensor。如果设置为None或者不设置，将创建新的Tensor存储运算结果，默认值为None。
返回：返回类型为Variable(Tensor|LoDTensor)， 数据类型同输入一致。 返回：返回类型为Variable(Tensor|LoDTensor)， 数据类型同输入一致。
...@@ -32,11 +27,10 @@ sqrt ...@@ -32,11 +27,10 @@ sqrt
.. code-block:: python .. code-block:: python
import numpy as np import numpy as np
import paddle
import paddle.fluid as fluid import paddle.fluid as fluid
inputs = fluid.layers.data(name="x", shape = [3], dtype='float32') inputs = fluid.layers.data(name="x", shape = [3], dtype='float32')
output = paddle.sqrt(inputs) output = fluid.layers.sqrt(inputs)
exe = fluid.Executor(fluid.CPUPlace()) exe = fluid.Executor(fluid.CPUPlace())
exe.run(fluid.default_startup_program()) exe.run(fluid.default_startup_program())
...@@ -46,3 +40,16 @@ sqrt ...@@ -46,3 +40,16 @@ sqrt
res = exe.run(fluid.default_main_program(), feed={'x':img}, fetch_list=[output]) res = exe.run(fluid.default_main_program(), feed={'x':img}, fetch_list=[output])
print(res) print(res)
# [array([0., 3., 6.], dtype=float32)] # [array([0., 3., 6.], dtype=float32)]
doc/paddle/api/paddle/tensor/math/sum_cn.rst 100644 → 100755
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_sum: .. _cn_api_fluid_layers_sum:
sum sum
------------------------------- -------------------------------
.. py:function:: paddle.sum(input, dim=None, dtype=None, keep_dim=False, name=None) .. py:function:: paddle.fluid.layers.sum(x)
:alias_main: paddle.sum
:alias: paddle.sum,paddle.tensor.sum,paddle.tensor.math.sum
:update_api: paddle.fluid.layers.reduce_sum
该OP是对指定维度上的Tensor元素进行求和运算，并输出相应的计算结果。 该OP用于对输入的一至多个Tensor或LoDTensor求和。如果输入的是LoDTensor，输出仅与第一个输入共享LoD信息（序列信息）。
例1：
::
输入：
input.shape = [2, 3]
input = [[1, 2, 3],
[4, 5, 6]]
输出：
output.shape = [2, 3]
output = [[1, 2, 3],
[4, 5, 6]]
例2：
::
输入：
第一个输入：
input1.shape = [2, 3]
input1 = [[1, 2, 3],
[4, 5, 6]]
第二个输入：
input2.shape = [2, 3]
input2 = [[7, 8, 9],
[10, 11, 12]]
输出：
output.shape = [2, 3]
output = [[8, 10, 12],
[14, 16, 18]]
参数： 参数：
- **input** （Variable）- 输入变量为多维Tensor或LoDTensor，支持数据类型为float32，float64，int32，int64。 **x** (Variable|list(Variable)) - 输入的一至多个Variable。如果输入了多个Variable，则不同Variable间的shape和数据类型应保持一致。Variable为多维Tensor或LoDTensor，数据类型支持：float32，float64，int32，int64
- **dim** （list | int ，可选）- 求和运算的维度。如果为None，则计算所有元素的和并返回包含单个元素的Tensor变量，否则必须在 :math:`[−rank(input),rank(input)]` 范围内。如果 :math:`dim [i] <0` ，则维度将变为 :math:`rank+dim[i]` ，默认值为None。
- **dtype** （str ， 可选）- 输出变量的数据类型。若参数为空，则输出变量的数据类型和输入变量相同，默认值为None。 返回：对输入 ``x`` 中的Variable求和后的结果，shape和数据类型与 ``x`` 一致
- **keep_dim** （bool）- 是否在输出Tensor中保留减小的维度。如 keep_dim 为true，否则结果张量的维度将比输入张量小，默认值为False。
- **name** （str ， 可选）- 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回： 在指定dim上进行求和运算的Tensor，数据类型和输入数据类型一致。 返回类型：Variable
返回类型： 变量（Variable）
**代码示例** **代码示例：**
.. code-block:: python .. code-block:: python
import paddle
import paddle.fluid as fluid import paddle.fluid as fluid
# x是一个Tensor，元素如下: input0 = fluid.layers.fill_constant(shape=[2, 3], dtype='int64', value=5)
# [[0.2, 0.3, 0.5, 0.9] input1 = fluid.layers.fill_constant(shape=[2, 3], dtype='int64', value=3)
# [0.1, 0.2, 0.6, 0.7]] sum = fluid.layers.sum([input0, input1])
# 接下来的示例中，我们在每处函数调用后面都标注出了它的结果张量。
x = fluid.data(name='x', shape=[2, 4], dtype='float32') #用户可以通过executor打印出求和的结果
out1 = paddle.sum(x) # [3.5] out = fluid.layers.Print(sum, message="the sum of input0 and input1: ")
out2 = paddle.sum(x, dim=0) # [0.3, 0.5, 1.1, 1.6] exe = fluid.Executor(fluid.CPUPlace())
out3 = paddle.sum(x, dim=-1) # [1.9, 1.6] exe.run(fluid.default_main_program())
out4 = paddle.sum(x, dim=1, keep_dim=True) # [[1.9], [1.6]]
#打印出的数据为：
# y 是一个shape为[2, 2, 2]的Tensor元素如下: 1570701754 the sum of input0 and input1: The place is:CPUPlace
# [[[1, 2], [3, 4]], Tensor[sum_0.tmp_0]
# [[5, 6], [7, 8]]] shape: [2,3,]
# 接下来的示例中，我们在每处函数调用后面都标注出了它的结果张量。 dtype: l
y = fluid.data(name='y', shape=[2, 2, 2], dtype='float32') data: 8,8,8,8,8,8,
out5 = paddle.sum(y, dim=[1, 2]) # [10, 26]
out6 = paddle.sum(y, dim=[0, 1]) # [16, 20] #输出了shape为[2,3]的Tensor，与输入的shape一致
#dtype为对应C++数据类型，在不同环境下可能显示值不同，但本质相同
#例如：如果Tensor中数据类型是int64，则对应的C++数据类型为int64_t，所以dtype值为typeid(int64_t).name()，
# 其在MacOS下为'x'，linux下为'l'，Windows下为'__int64'，都表示64位整型变量
doc/paddle/api/paddle/tensor/math/tanh_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_tanh: .. _cn_api_fluid_layers_tanh:
tanh tanh
------------------------------- -------------------------------
.. py:function:: paddle.tanh(x, name=None, out=None) .. py:function:: paddle.fluid.layers.tanh(x, name=None)
:alias_main: paddle.tanh
:alias: paddle.tanh,paddle.tensor.tanh,paddle.tensor.math.tanh
:update_api: paddle.fluid.layers.tanh
...@@ -19,28 +17,30 @@ tanh 激活函数 ...@@ -19,28 +17,30 @@ tanh 激活函数
参数: 参数:
- **x** (Variable) - 支持任意维度的Tensor。数据类型为float32，float64或float16。 - **x** - Tanh算子的输入
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。 - **name** (str|None) - 该层名称（可选）。若设为None，则自动为该层命名。
- **out** (Variable, 可选) – 指定存储运算结果的Tensor。如果设置为None或者不设置，将创建新的Tensor存储运算结果，默认值为None。
返回: 张量(Tensor)
返回：返回类型为Variable(Tensor|LoDTensor)， 数据类型同输入一致。 返回类型: 变量(Variable)
**代码示例**： **代码示例**：
.. code-block:: python .. code-block:: python
import numpy as np
import paddle
import paddle.fluid as fluid import paddle.fluid as fluid
data = fluid.layers.data(name="input", shape=[32, 784])
result = fluid.layers.tanh(data)
inputs = fluid.layers.data(name="x", shape = [3], dtype='float32')
output = paddle.tanh(inputs)
exe = fluid.Executor(fluid.CPUPlace())
exe.run(fluid.default_startup_program())
img = np.array([0, 0.5, 0.3]).astype(np.float32)
res = exe.run(fluid.default_main_program(), feed={'x':img}, fetch_list=[output])
print(res)
# [array([0., 0.46211717, 0.2913126], dtype=float32)]
doc/paddle/api/paddle/tensor/save_cn.rst 0 → 100644
浏览文件 @ 3eb99f7e
.. _cn_api_fluid_save:
save
-------------------------------
.. py:function:: paddle.fluid.save(program, model_path)
:api_attr: 声明式编程模式（静态图)
:alias_main: paddle.save
:alias: paddle.save,paddle.tensor.save,paddle.tensor.io.save
:old_api: paddle.fluid.save
该接口将传入的参数、优化器信息和网络描述保存到 ``model_path`` 。
参数包含所有的可训练 :ref:`cn_api_fluid_Variable` ，将保存到后缀为 ``.pdparams`` 的文件中。
优化器信息包含优化器使用的所有变量。对于Adam优化器，包含beta1、beta2、momentum等。
所有信息将保存到后缀为 ``.pdopt`` 的文件中。（如果优化器没有需要保存的变量（如sgd），则不会生成）。
网络描述是程序的描述。它只用于部署。描述将保存到后缀为 ``.pdmodel`` 的文件中。
参数:
- **program** ( :ref:`cn_api_fluid_Program` ) – 要保存的Program。
- **model_path** (str) – 保存program的文件前缀。格式为 ``目录名称/文件前缀``。如果文件前缀为空字符串，会引发异常。
返回: 无
**代码示例**
.. code-block:: python
import paddle.fluid as fluid
x = fluid.data(name="x", shape=[10, 10], dtype='float32')
y = fluid.layers.fc(x, 10)
z = fluid.layers.fc(y, 10)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
fluid.save(fluid.default_main_program(), "./test_path")
doc/paddle/api/paddle/tensor/search/argmax_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_argmax: .. _cn_api_fluid_layers_argmax:
argmax argmax
------------------------------- -------------------------------
.. py:function:: paddle.argmax(input, axis=None, dtype=None, out=None, keepdims=False, name=None) .. py:function:: paddle.fluid.layers.argmax(x, axis=0)
:alias_main: paddle.argmax
:alias: paddle.argmax,paddle.tensor.argmax,paddle.tensor.search.argmax
:update_api: paddle.fluid.layers.argmax
**argmax**
该OP沿 ``axis`` 计算输入 ``input`` 的最大元素的索引。 该OP沿 ``axis`` 计算输入 ``x`` 的最大元素的索引。
参数： 参数：
- **input** (Variable) - 输入的多维 ``Tensor`` ，支持的数据类型：float32、float64、int8、int16、int32、int64。 - **x** (Variable) - 输入的多维 ``Tensor`` ，支持的数据类型：float32、float64、int8、int16、int32、int64。
- **axis** (int，可选) - 指定对输入Tensor进行运算的轴， ``axis`` 的有效范围是[-R, R)，R是输入 ``input`` 的Rank， ``axis`` -R与绝对值相同的R等价。默认值为0。 - **axis** (int，可选) - 指定对输入Tensor进行运算的轴， ``axis`` 的有效范围是[-R, R)，R是输入 ``x`` 的Rank， ``axis`` 为负时与 ``axis`` +R 等价。默认值为0。
- **dtype** (np.dtype|core.VarDesc.VarType|str)- 输出Tensor的数据类型，可选值为int32，int64，默认值为None，将返回int64类型的结果。
- **out** (Variable, 可选) – 指定存储运算结果的Tensor。如果设置为None或者不设置，将创建新的Tensor存储运算结果，默认值为None。
- **keepdims** （bool，可选）- 是否保留进行max index操作的维度，默认值为False。
- **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回： ``Tensor`` ，数据类型int64 返回： ``Tensor`` ，数据类型int64
...@@ -30,7 +24,6 @@ argmax ...@@ -30,7 +24,6 @@ argmax
.. code-block:: python .. code-block:: python
import paddle
import paddle.fluid as fluid import paddle.fluid as fluid
import numpy as np import numpy as np
...@@ -42,11 +35,10 @@ argmax ...@@ -42,11 +35,10 @@ argmax
[1,7,0,6]]]) [1,7,0,6]]])
with fluid.dygraph.guard(): with fluid.dygraph.guard():
x = fluid.dygraph.to_variable(in1) x = fluid.dygraph.to_variable(in1)
out1 = paddle.argmax(input=x, axis=-1) out1 = fluid.layers.argmax(x=x, axis=-1)
out2 = paddle.argmax(input=x, axis=0) out2 = fluid.layers.argmax(x=x, axis=0)
out3 = paddle.argmax(input=x, axis=1) out3 = fluid.layers.argmax(x=x, axis=1)
out4 = paddle.argmax(input=x, axis=2) out4 = fluid.layers.argmax(x=x, axis=2)
out5 = paddle.argmax(input=x, axis=2, keepdims=True)
print(out1.numpy()) print(out1.numpy())
# [[2 3 1] # [[2 3 1]
# [0 3 1]] # [0 3 1]]
...@@ -60,10 +52,3 @@ argmax ...@@ -60,10 +52,3 @@ argmax
print(out4.numpy()) print(out4.numpy())
# [[2 3 1] # [[2 3 1]
# [0 3 1]] # [0 3 1]]
print(out5.numpy())
#array([[[2],
# [3],
# [1]],
# [[0],
# [3],
# [1]]])
doc/paddle/api/paddle/tensor/search/where_cn.rst
浏览文件 @ 3eb99f7e
.. _cn_api_tensor_where: .. _cn_api_fluid_layers_where:
where where
------------------------------- -------------------------------
.. py:function:: paddle.where(condition, x, y, name=None) .. py:function:: paddle.fluid.layers.where(condition)
:alias_main: paddle.where
:alias: paddle.where,paddle.tensor.where,paddle.tensor.search.where
:update_api: paddle.fluid.layers.cond
该OP返回一个根据输入 ``condition``, 选择 ``x`` 或 ``y`` 的元素组成的多维 ``Tensor`` ： 该OP计算输入元素中为True的元素在输入中的坐标（index）。
.. math::
Out_i =
\left\{
\begin{aligned}
&X_i, & & if \ cond_i \ is \ True \\
&Y_i, & & if \ cond_i \ is \ False \\
\end{aligned}
\right.
参数： 参数：
- **condition** （Variable）- 选择 ``x`` 或 ``y`` 元素的条件 。 - **condition** （Variable）– 输入秩至少为1的多维Tensor，数据类型是bool类型。
- **x** （Variable）- 多维 ``Tensor`` ，数据类型为 ``float32`` 或 ``float64`` 或 ``int32`` 或 ``int64`` 。
- **y** （Variable）- 多维 ``Tensor`` ，数据类型为 ``float32`` 或 ``float64`` 或 ``int32`` 或 ``int64`` 。
- **name** （str，可选）- 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
返回：数据类型与 ``x`` 相同的 ``Tensor`` 。
返回类型：Variable。 返回：输出condition元素为True的坐标（index），将所有的坐标（index）组成一个2-D的Tensor。
返回类型：Variable，数据类型是int64。
**代码示例：** **代码示例**：
.. code-block:: python .. code-block:: python
import paddle
import numpy as np
import paddle.fluid as fluid import paddle.fluid as fluid
import paddle.fluid.layers as layers
import numpy as np
# tensor 为 [True, False, True]
condition = layers.assign(np.array([1, 0, 1], dtype='int32'))
condition = layers.cast(condition, 'bool')
out = layers.where(condition) # [[0], [2]]
# tensor 为 [[True, False], [False, True]]
condition = layers.assign(np.array([[1, 0], [0, 1]], dtype='int32'))
condition = layers.cast(condition, 'bool')
out = layers.where(condition) # [[0, 0], [1, 1]]
x_i = np.array([0.9383, 0.1983, 3.2, 1.2]).astype("float32") # tensor 为 [False, False, False]
y_i = np.array([1.0, 1.0, 1.0, 1.0]).astype("float32") condition = layers.assign(np.array([0, 0, 0], dtype='int32'))
condition = layers.cast(condition, 'bool')
out = layers.where(condition) # [[]]
with fluid.dygraph.guard():
x = fluid.dygraph.to_variable(x_i)
y = fluid.dygraph.to_variable(y_i)
out = paddle.where(x>1, x, y)
print(out.numpy())
#out: [1.0, 1.0, 3.2, 1.2]
Markdown is supported
0% 或 .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑！
想要评论请 注册 或