diff --git a/doc/fluid/beginners_guide/dygraph/DyGraph.md b/doc/fluid/beginners_guide/dygraph/DyGraph.md index 7115fc6f58febd55f4ae8a9edef3a67869f2cb5d..196afaf440af6e0be919c9ec9bc8b4930c7573f9 100644 --- a/doc/fluid/beginners_guide/dygraph/DyGraph.md +++ b/doc/fluid/beginners_guide/dygraph/DyGraph.md @@ -1,537 +1,537 @@ -# 命令式编程使用教程 - -从编程范式上说，飞桨兼容支持声明式编程和命令式编程，通俗地讲即静态图和动态图。其实飞桨本没有图的概念，在飞桨的设计中，把一个神经网络定义成一段类似程序的描述，也就是用户在写程序的过程中，就定义了模型表达及计算。在声明式编程的控制流实现方面，飞桨借助自己实现的控制流OP而不是python原生的if else和for循环，这使得在飞桨中的定义的program即一个网络模型，可以有一个内部的表达，是可以全局优化编译执行的。考虑对开发者来讲，更愿意使用python原生控制流，飞桨也做了支持，并通过解释方式执行，这就是命令式编程。但整体上，这两种编程范式是相对兼容统一的。飞桨将持续发布更完善的命令式编程功能，同时保持更强劲的性能。 - -飞桨平台中，将神经网络抽象为计算表示**Operator**（算子，常简称OP）和数据表示**Variable**（变量），如 图1 所示。神经网络的每层操作均由一个或若干**Operator**组成，每个**Operator**接受一系列的**Variable**作为输入，经计算后输出一系列的**Variable**。 -
-
图1 Operator和Variable关系示意图
- -根据**Operator**解析执行方式不同，飞桨支持如下两种编程范式： -* **声明式编程范式（静态图模式）**：先编译后执行的方式。用户需预先定义完整的网络结构，再对网络结构进行编译优化后，才能执行获得计算结果。 -* **命令式编程范式（动态图模式）**：解析式的执行方式。用户无需预先定义完整的网络结构，每写一行网络代码，即可同时获得计算结果。 - -举例来说，假设用户写了一行代码：y=x+1，在声明式编程下，运行此代码只会往计算图中插入一个Tensor加1的**Operator**，此时**Operator**并未真正执行，无法获得y的计算结果。但在命令式编程下，所有**Operator**均是即时执行的，运行完此代码后**Operator**已经执行完毕，用户可直接获得y的计算结果。 - -## 为什么命令式编程越来越流行？ - -声明式编程作为较早提出的一种编程范式，提供丰富的 API ，能够快速的实现各种模型；并且可以利用全局的信息进行图优化，优化性能和显存占用；在预测部署方面也可以实现无缝衔接。 但具体实践中声明式编程存在如下问题： -1. 采用先编译后执行的方式，组网阶段和执行阶段割裂，导致调试不方便。 -2. 属于一种符号化的编程方式，要学习新的编程方式，有一定的入门门槛。 -3. 网络结构固定，对于一些树结构的任务支持的不够好。 - -命令式编程的出现很好的解决了这些问题，存在以下优势： -1. 代码运行完成后，可以立马获取结果，支持使用 IDE 断点调试功能，使得调试更方便。 -2. 属于命令式的编程方式，与编写Python的方式类似，更容易上手。 -3. 网络的结构在不同的层次中可以变化，使用更灵活。 - - -综合以上优势，使得命令式编程越来越受开发者的青睐，本章侧重介绍在飞桨中命令式编程的编程方法，包括如下几部分： -1. 如何开启命令式编程 -2. 如何使用命令式编程进行模型训练 -3. 如何基于命令式编程进行多卡训练 -4. 如何部署命令式的模型 -5. 命令式编程常见的使用技巧，如中间变量值/梯度打印、断点调试、阻断反向传递，以及某些场景下如何改写为声明式模式运行。 - - -## 1. 开启命令式编程 - -此文档介绍的内容是基于2.0 alpha，请安装2.0 alpha 版本，安装方式如下: - -``` -pip install -q --upgrade paddlepaddle==2.0.0a0 -``` - -目前飞桨默认的模式是声明式编程，可以通过paddle.enable_imperative()开启命令式编程(也可以通过with paddle.imperative.guard()的方式启动)： -``` -paddle.enable_imperative() -``` - -我们先通过一个实例，观察一下命令式编程开启前后执行方式的差别： - - -```python -import numpy as np -import paddle -from paddle.imperative import to_variable - -data = np.ones([2, 2], np.float32) -#x = paddle.data(name='x', shape=[2,2], dtype='float32') -x = paddle.nn.data(name='x', shape=[2,2], dtype='float32') -x += 10 -exe = paddle.Executor() -exe.run(paddle.default_startup_program()) -out = exe.run(fetch_list=[x], feed={'x': data}) -print("result", out) #[[11, 11], [11, 11]] - -# 命令式编程 -paddle.enable_imperative() -x = paddle.imperative.to_variable(data) -x += 10 +# 命令式编程使用教程 + +从编程范式上说，飞桨兼容支持声明式编程和命令式编程，通俗地讲即静态图和动态图。其实飞桨本没有图的概念，在飞桨的设计中，把一个神经网络定义成一段类似程序的描述，也就是用户在写程序的过程中，就定义了模型表达及计算。在声明式编程的控制流实现方面，飞桨借助自己实现的控制流OP而不是python原生的if else和for循环，这使得在飞桨中的定义的program即一个网络模型，可以有一个内部的表达，是可以全局优化编译执行的。考虑对开发者来讲，更愿意使用python原生控制流，飞桨也做了支持，并通过解释方式执行，这就是命令式编程。但整体上，这两种编程范式是相对兼容统一的。飞桨将持续发布更完善的命令式编程功能，同时保持更强劲的性能。 + +飞桨平台中，将神经网络抽象为计算表示**Operator**（算子，常简称OP）和数据表示**Variable**（变量），如 图1 所示。神经网络的每层操作均由一个或若干**Operator**组成，每个**Operator**接受一系列的**Variable**作为输入，经计算后输出一系列的**Variable**。 +
+
图1 Operator和Variable关系示意图
+ +根据**Operator**解析执行方式不同，飞桨支持如下两种编程范式： +* **声明式编程范式（静态图模式）**：先编译后执行的方式。用户需预先定义完整的网络结构，再对网络结构进行编译优化后，才能执行获得计算结果。 +* **命令式编程范式（动态图模式）**：解析式的执行方式。用户无需预先定义完整的网络结构，每写一行网络代码，即可同时获得计算结果。 + +举例来说，假设用户写了一行代码：y=x+1，在声明式编程下，运行此代码只会往计算图中插入一个Tensor加1的**Operator**，此时**Operator**并未真正执行，无法获得y的计算结果。但在命令式编程下，所有**Operator**均是即时执行的，运行完此代码后**Operator**已经执行完毕，用户可直接获得y的计算结果。 + +## 为什么命令式编程越来越流行？ + +声明式编程作为较早提出的一种编程范式，提供丰富的 API ，能够快速的实现各种模型；并且可以利用全局的信息进行图优化，优化性能和显存占用；在预测部署方面也可以实现无缝衔接。 但具体实践中声明式编程存在如下问题： +1. 采用先编译后执行的方式，组网阶段和执行阶段割裂，导致调试不方便。 +2. 属于一种符号化的编程方式，要学习新的编程方式，有一定的入门门槛。 +3. 网络结构固定，对于一些树结构的任务支持的不够好。 + +命令式编程的出现很好的解决了这些问题，存在以下优势： +1. 代码运行完成后，可以立马获取结果，支持使用 IDE 断点调试功能，使得调试更方便。 +2. 属于命令式的编程方式，与编写Python的方式类似，更容易上手。 +3. 网络的结构在不同的层次中可以变化，使用更灵活。 + + +综合以上优势，使得命令式编程越来越受开发者的青睐，本章侧重介绍在飞桨中命令式编程的编程方法，包括如下几部分： +1. 如何开启命令式编程 +2. 如何使用命令式编程进行模型训练 +3. 如何基于命令式编程进行多卡训练 +4. 如何部署命令式的模型 +5. 命令式编程常见的使用技巧，如中间变量值/梯度打印、断点调试、阻断反向传递，以及某些场景下如何改写为声明式模式运行。 + + +## 1. 开启命令式编程 + +此文档介绍的内容是基于2.0 alpha，请安装2.0 alpha 版本，安装方式如下: + +``` +pip install -q --upgrade paddlepaddle==2.0.0a0 +``` + +目前飞桨默认的模式是声明式编程，可以通过paddle.enable_imperative()开启命令式编程(也可以通过with paddle.imperative.guard()的方式启动)： +``` +paddle.enable_imperative() +``` + +我们先通过一个实例，观察一下命令式编程开启前后执行方式的差别： + + +```python +import numpy as np +import paddle +from paddle.imperative import to_variable + +data = np.ones([2, 2], np.float32) +#x = paddle.data(name='x', shape=[2,2], dtype='float32') +x = paddle.nn.data(name='x', shape=[2,2], dtype='float32') +x += 10 +exe = paddle.Executor() +exe.run(paddle.default_startup_program()) +out = exe.run(fetch_list=[x], feed={'x': data}) +print("result", out) #[[11, 11], [11, 11]] + +# 命令式编程 +paddle.enable_imperative() +x = paddle.imperative.to_variable(data) +x += 10 print('result', x.numpy()) #[[11, 11], [11, 11]] - -``` -* 命令式编程下，所有操作在运行时就已经完成，更接近我们平时的编程方式，可以随时获取每一个操作的执行结果。 -* 声明式编程下，过程中并没有实际执行操作，上述例子中可以看到只能打印声明的类型，最后需要调用执行器来统一执行所有操作，计算结果需要通过执行器统一返回。 - -## 2. 使用命令式编程进行模型训练 - -接下来我们以一个简单的手写体识别任务为例，说明如何使用飞桨的命令式编程来进行模型的训练。包括如下步骤： - -* 2.1 定义数据读取器：读取数据和预处理操作。 -* 2.2 定义模型和优化器：搭建神经网络结构。 -* 2.3 训练：配置优化器、学习率、训练参数。循环调用训练过程，循环执行“前向计算 + 损失函数 + 反向传播”。 -* 2.4 评估测试：将训练好的模型保存并评估测试。 - -最后介绍一下： -* 2.5 模型参数的保存和加载方法。 - -在前面章节我们已经了解到，“手写数字识别”的任务是：根据一个28 * 28像素的图像，识别图片中的数字。可采用MNIST数据集进行训练。 -![](https://ai-studio-static-online.cdn.bcebos.com/f8ffb092f6354d8c9c0219224db0e87b5490c5715cc346cf87b7098b2c3c2069) - -有关该任务和数据集的详细介绍，可参考：[初识飞桨手写数字识别模型](https://aistudio.baidu.com/aistudio/projectdetail/224342) - -### 2.1 定义数据读取器 - -飞桨提供了多个封装好的数据集API，本任务我们可以通过调用 [paddle.dataset.mnist](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/data/dataset_cn.html) 的 train 函数和 test 函数，直接获取处理好的 MNIST 训练集和测试集；然后调用 [paddle.batch](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/io_cn/batch_cn.html#batch) 接口返回 reader 的装饰器，该 reader 将输入 reader 的数据打包成指定 BATCH_SIZE 大小的批处理数据。 - - -```python -import paddle - -# 定义批大小 -BATCH_SIZE = 64 - -# 通过调用paddle.dataset.mnist的train函数和test函数来构造reader -train_reader = paddle.batch( - paddle.dataset.mnist.train(), batch_size=BATCH_SIZE, drop_last=True) -test_reader = paddle.batch( - paddle.dataset.mnist.test(), batch_size=BATCH_SIZE, drop_last=True) -``` - - - -### 2.2 定义模型和优化器 - -本节我们采用如下网络模型，该模型可以很好的完成“手写数字识别”的任务。模型由卷积层 -> 池化层 -> 卷积层 -> 池化层 -> 全连接层组成，池化层即降采样层。 - -![](https://ai-studio-static-online.cdn.bcebos.com/f9e59d727d68437aaaad8cee410e564c7a80063367bd4fcd9f710a1480ee338c) - - -在开始构建网络模型前，需要了解如下信息： - -> 在命令式编程中，参数和变量的存储管理方式与声明式编程不同。命令式编程下，网络中学习的参数和中间变量，生命周期和 Python 对象的生命周期是一致的。简单来说，一个 Python 对象的生命周期结束，相应的存储空间就会释放。 - -对于一个网络模型，在模型学习的过程中参数会不断更新，所以参数需要在整个学习周期内一直保持存在，因此需要一个机制来保持网络的所有的参数不被释放，飞桨的命令式编程采用了继承自 [paddle.nn.Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的面向对象设计的方法来管理所有的参数，该方法也更容易模块化组织代码。 - -下面介绍如何通过继承 paddle.nn.Layer 实现一个简单的ConvPool层；该层由一个 [卷积层](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Conv2D_cn.html#conv2d) 和一个 [池化层](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Pool2D_cn.html#pool2d) 组成。 - - -```python -import paddle -from paddle.nn import Conv2D, Pool2D - -# 定义SimpleImgConvPool网络，必须继承自paddle.nn.Layer -# 该网络由一个卷积层和一个池化层组成 - -class SimpleImgConvPool(paddle.nn.Layer): - def __init__(self, - num_channels, - num_filters, - filter_size, - pool_size, - pool_stride, - pool_padding=0, - pool_type='max', - global_pooling=False, - conv_stride=1, - conv_padding=0, - conv_dilation=1, - conv_groups=1, - act=None, - use_cudnn=False, - param_attr=None, - bias_attr=None): - super(SimpleImgConvPool, self).__init__() - - self._conv2d = Conv2D( - num_channels=num_channels, - num_filters=num_filters, - filter_size=filter_size, - stride=conv_stride, - padding=conv_padding, - dilation=conv_dilation, - groups=conv_groups, - param_attr=None, - bias_attr=None, - act=act, - use_cudnn=use_cudnn) - - self._pool2d = Pool2D( - pool_size=pool_size, - pool_type=pool_type, - pool_stride=pool_stride, - pool_padding=pool_padding, - global_pooling=global_pooling, - use_cudnn=use_cudnn) - - def forward(self, inputs): - x = self._conv2d(inputs) - x = self._pool2d(x) - return x -``` - -可以看出实现一个 ConvPool 层（即SimpleImgConvPool）分为两个步骤： -1. 定义 \_\_init\_\_ 构造函数。 - -在 \_\_init\_\_ 构造函数中，通常会执行变量初始化、参数初始化、子网络初始化等操作，执行这些操作时不依赖于输入的动态信息。这里我们对子网络（卷积层和池化层）做了初始化操作。 - -2. 定义 forward 函数。 - -该函数负责定义网络运行时的执行逻辑，将会在每一轮训练/预测中被调用。上述示例中，forward 函数的逻辑是先执行一个卷积操作，然后执行一个池化操作。 - - -接下来我们介绍如何利用子网络组合出MNIST网络，该网络由两个 SimpleImgConvPool 子网络和一个全连接层组成。 - - -```python -# 定义MNIST网络，必须继承自paddle.nn.Layer -# 该网络由两个SimpleImgConvPool子网络、reshape层、matmul层、softmax层、accuracy层组成 -class MNIST(paddle.nn.Layer): - def __init__(self): - super(MNIST, self).__init__() - self._simple_img_conv_pool_1 = SimpleImgConvPool( - 1, 20, 5, 2, 2, act="relu") - self._simple_img_conv_pool_2 = SimpleImgConvPool( - 20, 50, 5, 2, 2, act="relu") - - self.pool_2_shape = 50 * 4 * 4 - SIZE = 10 - self.output_weight = self.create_parameter( - [self.pool_2_shape, 10]) - - def forward(self, inputs, label=None): - x = self._simple_img_conv_pool_1(inputs) - x = self._simple_img_conv_pool_2(x) - x = paddle.reshape(x, shape=[-1, self.pool_2_shape]) - x = paddle.matmul(x, self.output_weight) - x = paddle.nn.functional.softmax(x) - if label is not None: - acc = paddle.metric.accuracy(input=x, label=label) - return x, acc - else: - return x -``` - -在这个复杂的 Layer 的 \_\_init\_\_ 构造函数中，包含了更多基础的操作： -1. 变量的初始化：self.pool_2_shape = 50 * 4 * 4 -2. 全连接层参数的创建，通过调用 [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 [create_parameter](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#create_parameter) 接口：self.output_weight = self.create_parameter( [ self.pool_2_shape, 10]) -3. 子 Layer 的构造：self._simple_img_conv_pool_1、self._simple_img_conv_pool_2 - -forward 函数的实现和 前面SimpleImgConvPool 类中的实现方式类似。 - -接下来定义MNIST类的对象，以及优化器。这里优化器我们选择 [AdamOptimizer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/optimizer_cn/AdamOptimizer_cn.html#adamoptimizer) ，通过 [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 [parameters](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#parameters) 接口来读取该网络的全部参数，实现如下： - - -```python -import numpy as np -from paddle.optimizer import AdamOptimizer -from paddle.imperative import to_variable - -paddle.enable_imperative() -# 定义MNIST类的对象 -mnist = MNIST() -# 定义优化器为AdamOptimizer，学习旅learning_rate为0.001 -# 注意命令式编程下必须传入parameter_list参数，该参数为需要优化的网络参数，本例需要优化mnist网络中的所有参数 -adam = AdamOptimizer(learning_rate=0.001, parameter_list=mnist.parameters()) -``` - -### 2.3 训练 - -当我们定义好上述网络结构之后，就可以进行训练了。 - -实现如下： -* 数据读取：读取每批数据，通过 [to_variable](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/to_variable_cn.html#to-variable) 接口将 numpy.ndarray 对象转换为 [Variable](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/Variable_cn.html#variable) 类型的对象。 -* 网络正向执行：在正向执行时，用户构造出img和label之后，可利用类似函数调用的方式（如：mnist(img, label)）传递参数执行对应网络的 forward 函数。 -* 计算损失值：根据网络返回的计算结果，计算损失值，便于后续执行反向计算。 -* 执行反向计算：需要用户主动调用 [backward](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/Variable_cn.html#backward) 接口来执行反向计算。 -* 参数更新：调用优化器的 [minimize](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/optimizer_cn/AdamOptimizer_cn.html#minimize) 接口对参数进行更新。 -* 梯度重置：将本次计算的梯度值清零，以便进行下一次迭代和梯度更新。 -* 保存训练好的模型：通过 [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 [state_dict](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#state_dict) 获取模型的参数；通过 [save_dygraph](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/save_dygraph_cn.html#save-dygraph) 对模型参数进行保存。 - - -```python -import numpy as np -from paddle.optimizer import AdamOptimizer -from paddle.imperative import to_variable - -paddle.enable_imperative() -# 定义MNIST类的对象 -mnist = MNIST() -# 定义优化器为AdamOptimizer，学习旅learning_rate为0.001 -# 注意命令式编程下必须传入parameter_list参数，该参数为需要优化的网络参数，本例需要优化mnist网络中的所有参数 -adam = AdamOptimizer(learning_rate=0.001, parameter_list=mnist.parameters()) - -# 设置全部样本的训练次数 -epoch_num = 5 - -for epoch in range(epoch_num): - for batch_id, data in enumerate(train_reader()): - dy_x_data = np.array([x[0].reshape(1, 28, 28) for x in data]).astype('float32') - y_data = np.array([x[1] for x in data]).astype('int64').reshape(-1, 1) - - img = to_variable(dy_x_data) - label = to_variable(y_data) - - cost, acc = mnist(img, label) - - loss = paddle.nn.functional.cross_entropy(cost, label) - avg_loss = paddle.mean(loss) - avg_loss.backward() - adam.minimize(avg_loss) - mnist.clear_gradients() - - if batch_id % 100 == 0: - print("Loss at epoch {} step {}: {:}".format( - epoch, batch_id, avg_loss.numpy())) - -model_dict = mnist.state_dict() -paddle.imperative.save(model_dict, "save_temp") -``` - - -### 2.4 评估测试 - -模型训练完成，我们已经保存了训练好的模型，接下来进行评估测试。某些OP（如 dropout、batch_norm）需要区分训练模式和评估模式，以标识不同的执行状态。飞桨中OP默认采用的是训练模式（train mode），可通过如下方法切换： - - ``` -model.eval() #切换到评估模式 -model.train() #切换到训练模式 -``` - - -模型评估测试的实现如下： -* 首先定义 MNIST 类的对象 mnist_eval，然后通过 [load_dygraph](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/load_dygraph_cn.html#load-dygraph) 接口加载保存好的模型参数，通过 [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 [set_dict](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#set_dict) 接口将参数导入到模型中，通过 [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 eval 接口切换到预测评估模式。 -* 读取测试数据执行网络正向计算，进行评估测试，输出不同 batch 数据下损失值和准确率的平均值。 - - -```python -paddle.enable_imperative() -mnist_eval = MNIST() -model_dict, _ = paddle.imperative.load("save_temp") -mnist_eval.set_dict(model_dict) -print("checkpoint loaded") - -mnist_eval.eval() - -acc_set = [] -avg_loss_set = [] -for batch_id, data in enumerate(test_reader()): - dy_x_data = np.array([x[0].reshape(1, 28, 28) - for x in data]).astype('float32') - y_data = np.array( - [x[1] for x in data]).astype('int64').reshape(-1, 1) - - img = to_variable(dy_x_data) - label = to_variable(y_data) - - prediction, acc = mnist_eval(img, label) - - loss = paddle.nn.functional.cross_entropy(input=prediction, label=label) - avg_loss = paddle.mean(loss) - acc_set.append(float(acc.numpy())) - avg_loss_set.append(float(avg_loss.numpy())) - -acc_val_mean = np.array(acc_set).mean() -avg_loss_val_mean = np.array(avg_loss_set).mean() -print("Eval avg_loss is: {}, acc is: {}".format(avg_loss_val_mean, acc_val_mean)) -``` - -### 2.5 模型参数的保存和加载 - -在命令式编程下，模型和优化器在不同的模块中，所以模型和优化器分别在不同的对象中存储，使得模型参数和优化器信息需分别存储。 -因此模型的保存需要单独调用模型和优化器中的 state_dict() 接口，同样模型的加载也需要单独进行处理。 - -保存模型 ： -1. 保存模型参数：首先通过 minist.state_dict 函数获取 mnist 网络的所有参数，然后通过 paddle.imperative.save 函数将获得的参数保存至以 save_path 为前缀的文件中。 -1. 保存优化器信息：首先通过 adam.state_dict 函数获取 adam 优化器的信息，然后通过 paddle.imperative.save 函数将获得的参数保存至以 save_path 为前缀的文件中。 - * [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 [state_dict](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#state_dict) 接口：该接口可以获取当前层及其子层的所有参数，并将参数存放在 dict 结构中。 - * [Optimizer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/optimizer_cn/AdamOptimizer_cn.html#adamoptimizer) 的 state_dict 接口：该接口可以获取优化器的信息，并将信息存放在 dict 结构中。其中包含优化器使用的所有变量，例如对于 Adam 优化器，包括 beta1、beta2、momentum 等信息。注意如果该优化器的 minimize 函数没有被调用过，则优化器的信息为空。 - * [paddle.imperative.save](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/save_dygraph_cn.html#save-dygraph) 接口：该接口将传入的参数或优化器的 dict 保存到磁盘上。 -``` -# 保存模型参数 -1. paddle.imperative.save(minist.state_dict(), "save_path") -# 保存优化器信息 -2. paddle.imperative.save(adam.state_dict(), "save_path") -``` -加载模型： -1. 通过 paddle.imperative.load 函数获取模型参数信息 model_state 和优化器信息 opt_state； -1. 通过 mnist.set_dict 函数用获取的模型参数信息设置 mnist 网络的参数 -1. 通过 adam.set_dict 函数用获取的优化器信息设置 adam 优化器信息。 - * [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 [set_dict](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#set_dict) 接口：该接口根据传入的 dict 结构设置参数，所有参数将由 dict 结构中的 Tensor 设置。 - * [Optimizer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/optimizer_cn/AdamOptimizer_cn.html#adamoptimizer) 的 set_dict 接口：该接口根据传入的 dict 结构设置优化器信息，例如对于 Adam 优化器，包括 beta1、beta2、momentum 等信息。如果使用了 LearningRateDecay ，则 global_step 信息也将会被设置。 - * [paddle.imperative.load](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/load_dygraph_cn.html#load-dygraph) 接口：该接口尝试从磁盘中加载参数或优化器的 dict 。 -``` -# 获取模型参数和优化器信息 -1. model_state, opt_state= paddle.imperative.load(“save_path”) -# 加载模型参数 -2. mnist.set_dict(model_state) -# 加载优化器信息 -3. adam.set_dict(opt_state) -``` - - -## 3. 多卡训练 - -针对数据量、计算量较大的任务，我们需要多卡并行训练，以提高训练效率。目前命令式编程可支持GPU的单机多卡训练方式，在命令式编程中多卡的启动和单卡略有不同，多卡通过 Python 基础库 subprocess.Popen 在每一张 GPU 上启动单独的 Python 程序的方式，每张卡的程序独立运行，只是在每一轮梯度计算完成之后，所有的程序进行梯度的同步，然后更新训练的参数。 - -我们通过一个实例了解如何进行多卡训练： ->由于AI Studio上未配置多卡环境，所以本实例需在本地构建多卡环境后运行。 - -1. 本实例仍然采用前面定义的 MNIST 网络，可将前面定义的 SimpleImgConvPool、MNIST 网络结构、相关的库导入代码、以及下面多卡训练的示例代码拷贝至本地文件 train.py 中。 - - -```python -import numpy as np -import paddle -from paddle.optimizer import AdamOptimizer -from paddle.imperative import to_variable - -place = paddle.CUDAPlace(paddle.imperative.ParallelEnv().dev_id) -paddle.enable_imperative(place) -strategy = paddle.imperative.prepare_context() -epoch_num = 5 -BATCH_SIZE = 64 -mnist = MNIST() -adam = AdamOptimizer(learning_rate=0.001, parameter_list=mnist.parameters()) -mnist = paddle.imperative.DataParallel(mnist, strategy) - -train_reader = paddle.batch( - paddle.dataset.mnist.train(), batch_size=BATCH_SIZE, drop_last=True) -train_reader = paddle.incubate.reader.distributed_batch_reader( - train_reader) - -for epoch in range(epoch_num): - for batch_id, data in enumerate(train_reader()): - dy_x_data = np.array([x[0].reshape(1, 28, 28) - for x in data]).astype('float32') - y_data = np.array( - [x[1] for x in data]).astype('int64').reshape(-1, 1) - - img = to_variable(dy_x_data) - label = to_variable(y_data) - label.stop_gradient = True - - cost, acc = mnist(img, label) - - loss = paddle.nn.functional.cross_entropy(cost, label) - avg_loss = paddle.mean(loss) - - avg_loss = mnist.scale_loss(avg_loss) - avg_loss.backward() - mnist.apply_collective_grads() - - adam.minimize(avg_loss) - mnist.clear_gradients() - - if batch_id % 100 == 0 and batch_id is not 0: - print("epoch: {}, batch_id: {}, loss is: {}".format(epoch, batch_id, avg_loss.numpy())) - -if paddle.imperative.ParallelEnv().local_rank == 0: - paddle.imperative.save(mnist.state_dict(), "work_0") -``` - -2、飞桨命令式编程多进程多卡模型训练启动时，需要指定使用的 GPU，比如使用 0,1 卡，可执行如下命令启动训练： - - -``` -CUDA_VISIBLE_DEVICES=0,1 python -m paddle.distributed.launch --log_dir ./mylog train.py -``` -其中 log_dir 为存放 log 的地址，train.py 为程序名。 -执行结果如下： - -``` ------------ Configuration Arguments ----------- -cluster_node_ips: 127.0.0.1 -log_dir: ./mylog -node_ip: 127.0.0.1 -print_config: True -selected_gpus: 0,1 -started_port: 6170 -training_script: train.py -training_script_args: [] -use_paddlecloud: False ------------------------------------------------- -trainers_endpoints: 127.0.0.1:6170,127.0.0.1:6171 , node_id: 0 , current_node_ip: 127.0.0.1 , num_nodes: 1 , node_ips: ['127.0.0.1'] , nranks: 2 -``` - -此时，程序会将每个进程的输出 log 导出到 ./mylog 路径下，可以打开 workerlog.0 和 workerlog.1 来查看结果： - -``` -. -├── mylog -│ ├── workerlog.0 -│ └── workerlog.1 -└── train.py -``` - -总结一下，多卡训练相比单卡训练，有如下步骤不同： -1. 通过 ParallelEnv() 的 dev_id 设置程序运行的设备。 -``` -place = paddle.CUDAPlace(paddle.imperative.ParallelEnv().dev_id) -paddle.enable_imperative(place): -``` -2. 准备多卡环境。 -``` -strategy = paddle.imperative.prepare_context() -``` -3. 数据并行模块。 - -在数据并行的时候，我们需要存储和初始化一些多卡相关的信息，这些信息和操作放在 DataParallel 类中，使用的时候，我们需要利用 model（定义的模型） 和 strategy（第二步得到的多卡环境） 信息初始化 DataParallel。 -``` -mnist = paddle.imperative.DataParallel(mnist, strategy) -``` -4. 数据切分。 - -数据切分是一个非常重要的流程，是为了防止每张卡在每一轮训练见到的数据都一样，可以使用 distributed_batch_reader 对单卡的 reader 进行进行切分处理。 用户也可以其他的策略来达到数据切分的目的，比如事先分配好每张卡的数据，这样就可以使用单卡的 reader ，不使用 distributed_batch_reader。 - -``` -train_reader = paddle.incubate.reader.distributed_batch_reader(train_reader) -``` - -5. 单步训练。 - -首先对 loss 进行归一化，然后计算单卡的梯度，最终将所有的梯度聚合。 -``` -avg_loss = mnist.scale_loss(avg_loss) -avg_loss.backward() -mnist.apply_collective_grads() -``` -6. 模型保存。 - -和单卡不同，多卡训练时需逐个进程执行保存操作，多个进程同时保存会使模型文件格式出错。 -``` -if paddle.imperative.ParallelEnv().local_rank == 0： - paddle.imperative.save(mnist.state_dict(), "worker_0") -``` -7. 评估测试。 - -对模型进行评估测试时，如果需要加载模型，须确保评估和保存的操作在同一个进程中，否则可能出现模型尚未保存完成，即启动评估，造成加载出错的问题。如果不需要加载模型，则没有这个问题，在一个进程或多个进程中评估均可。 - -## 4. 模型部署 - -### 4.1 动转静部署 -命令式编程虽然有非常多的优点，但是如果用户希望使用 C++ 部署已经训练好的模型，会存在一些不便利。比如，命令式编程中可使用 Python 原生的控制流，包含 if/else、switch、for/while，这些控制流需要通过一定的机制才能映射到 C++ 端，实现在 C++ 端的部署。 - - - - - -```python + +``` +* 命令式编程下，所有操作在运行时就已经完成，更接近我们平时的编程方式，可以随时获取每一个操作的执行结果。 +* 声明式编程下，过程中并没有实际执行操作，上述例子中可以看到只能打印声明的类型，最后需要调用执行器来统一执行所有操作，计算结果需要通过执行器统一返回。 + +## 2. 使用命令式编程进行模型训练 + +接下来我们以一个简单的手写体识别任务为例，说明如何使用飞桨的命令式编程来进行模型的训练。包括如下步骤： + +* 2.1 定义数据读取器：读取数据和预处理操作。 +* 2.2 定义模型和优化器：搭建神经网络结构。 +* 2.3 训练：配置优化器、学习率、训练参数。循环调用训练过程，循环执行“前向计算 + 损失函数 + 反向传播”。 +* 2.4 评估测试：将训练好的模型保存并评估测试。 + +最后介绍一下： +* 2.5 模型参数的保存和加载方法。 + +在前面章节我们已经了解到，“手写数字识别”的任务是：根据一个28 * 28像素的图像，识别图片中的数字。可采用MNIST数据集进行训练。 +![](https://ai-studio-static-online.cdn.bcebos.com/f8ffb092f6354d8c9c0219224db0e87b5490c5715cc346cf87b7098b2c3c2069) + +有关该任务和数据集的详细介绍，可参考：[初识飞桨手写数字识别模型](https://aistudio.baidu.com/aistudio/projectdetail/224342) + +### 2.1 定义数据读取器 + +飞桨提供了多个封装好的数据集API，本任务我们可以通过调用 [paddle.dataset.mnist](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/data/dataset_cn.html) 的 train 函数和 test 函数，直接获取处理好的 MNIST 训练集和测试集；然后调用 [paddle.batch](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/io_cn/batch_cn.html#batch) 接口返回 reader 的装饰器，该 reader 将输入 reader 的数据打包成指定 BATCH_SIZE 大小的批处理数据。 + + +```python +import paddle + +# 定义批大小 +BATCH_SIZE = 64 + +# 通过调用paddle.dataset.mnist的train函数和test函数来构造reader +train_reader = paddle.batch( + paddle.dataset.mnist.train(), batch_size=BATCH_SIZE, drop_last=True) +test_reader = paddle.batch( + paddle.dataset.mnist.test(), batch_size=BATCH_SIZE, drop_last=True) +``` + + + +### 2.2 定义模型和优化器 + +本节我们采用如下网络模型，该模型可以很好的完成“手写数字识别”的任务。模型由卷积层 -> 池化层 -> 卷积层 -> 池化层 -> 全连接层组成，池化层即降采样层。 + +![](https://ai-studio-static-online.cdn.bcebos.com/f9e59d727d68437aaaad8cee410e564c7a80063367bd4fcd9f710a1480ee338c) + + +在开始构建网络模型前，需要了解如下信息： + +> 在命令式编程中，参数和变量的存储管理方式与声明式编程不同。命令式编程下，网络中学习的参数和中间变量，生命周期和 Python 对象的生命周期是一致的。简单来说，一个 Python 对象的生命周期结束，相应的存储空间就会释放。 + +对于一个网络模型，在模型学习的过程中参数会不断更新，所以参数需要在整个学习周期内一直保持存在，因此需要一个机制来保持网络的所有的参数不被释放，飞桨的命令式编程采用了继承自 [paddle.nn.Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的面向对象设计的方法来管理所有的参数，该方法也更容易模块化组织代码。 + +下面介绍如何通过继承 paddle.nn.Layer 实现一个简单的ConvPool层；该层由一个 [卷积层](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Conv2D_cn.html#conv2d) 和一个 [池化层](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Pool2D_cn.html#pool2d) 组成。 + + +```python +import paddle +from paddle.nn import Conv2D, Pool2D + +# 定义SimpleImgConvPool网络，必须继承自paddle.nn.Layer +# 该网络由一个卷积层和一个池化层组成 + +class SimpleImgConvPool(paddle.nn.Layer): + def __init__(self, + num_channels, + num_filters, + filter_size, + pool_size, + pool_stride, + pool_padding=0, + pool_type='max', + global_pooling=False, + conv_stride=1, + conv_padding=0, + conv_dilation=1, + conv_groups=1, + act=None, + use_cudnn=False, + param_attr=None, + bias_attr=None): + super(SimpleImgConvPool, self).__init__() + + self._conv2d = Conv2D( + num_channels=num_channels, + num_filters=num_filters, + filter_size=filter_size, + stride=conv_stride, + padding=conv_padding, + dilation=conv_dilation, + groups=conv_groups, + param_attr=None, + bias_attr=None, + act=act, + use_cudnn=use_cudnn) + + self._pool2d = Pool2D( + pool_size=pool_size, + pool_type=pool_type, + pool_stride=pool_stride, + pool_padding=pool_padding, + global_pooling=global_pooling, + use_cudnn=use_cudnn) + + def forward(self, inputs): + x = self._conv2d(inputs) + x = self._pool2d(x) + return x +``` + +可以看出实现一个 ConvPool 层（即SimpleImgConvPool）分为两个步骤： +1. 定义 \_\_init\_\_ 构造函数。 + +在 \_\_init\_\_ 构造函数中，通常会执行变量初始化、参数初始化、子网络初始化等操作，执行这些操作时不依赖于输入的动态信息。这里我们对子网络（卷积层和池化层）做了初始化操作。 + +2. 定义 forward 函数。 + +该函数负责定义网络运行时的执行逻辑，将会在每一轮训练/预测中被调用。上述示例中，forward 函数的逻辑是先执行一个卷积操作，然后执行一个池化操作。 + + +接下来我们介绍如何利用子网络组合出MNIST网络，该网络由两个 SimpleImgConvPool 子网络和一个全连接层组成。 + + +```python +# 定义MNIST网络，必须继承自paddle.nn.Layer +# 该网络由两个SimpleImgConvPool子网络、reshape层、matmul层、softmax层、accuracy层组成 +class MNIST(paddle.nn.Layer): + def __init__(self): + super(MNIST, self).__init__() + self._simple_img_conv_pool_1 = SimpleImgConvPool( + 1, 20, 5, 2, 2, act="relu") + self._simple_img_conv_pool_2 = SimpleImgConvPool( + 20, 50, 5, 2, 2, act="relu") + + self.pool_2_shape = 50 * 4 * 4 + SIZE = 10 + self.output_weight = self.create_parameter( + [self.pool_2_shape, 10]) + + def forward(self, inputs, label=None): + x = self._simple_img_conv_pool_1(inputs) + x = self._simple_img_conv_pool_2(x) + x = paddle.reshape(x, shape=[-1, self.pool_2_shape]) + x = paddle.matmul(x, self.output_weight) + x = paddle.nn.functional.softmax(x) + if label is not None: + acc = paddle.metric.accuracy(input=x, label=label) + return x, acc + else: + return x +``` + +在这个复杂的 Layer 的 \_\_init\_\_ 构造函数中，包含了更多基础的操作： +1. 变量的初始化：self.pool_2_shape = 50 * 4 * 4 +2. 全连接层参数的创建，通过调用 [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 [create_parameter](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#create_parameter) 接口：self.output_weight = self.create_parameter( [ self.pool_2_shape, 10]) +3. 子 Layer 的构造：self._simple_img_conv_pool_1、self._simple_img_conv_pool_2 + +forward 函数的实现和 前面SimpleImgConvPool 类中的实现方式类似。 + +接下来定义MNIST类的对象，以及优化器。这里优化器我们选择 [AdamOptimizer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/optimizer_cn/AdamOptimizer_cn.html#adamoptimizer) ，通过 [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 [parameters](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#parameters) 接口来读取该网络的全部参数，实现如下： + + +```python +import numpy as np +from paddle.optimizer import AdamOptimizer +from paddle.imperative import to_variable + +paddle.enable_imperative() +# 定义MNIST类的对象 +mnist = MNIST() +# 定义优化器为AdamOptimizer，学习率learning_rate为0.001 +# 注意命令式编程下必须传入parameter_list参数，该参数为需要优化的网络参数，本例需要优化mnist网络中的所有参数 +adam = AdamOptimizer(learning_rate=0.001, parameter_list=mnist.parameters()) +``` + +### 2.3 训练 + +当我们定义好上述网络结构之后，就可以进行训练了。 + +实现如下： +* 数据读取：读取每批数据，通过 [to_variable](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/to_variable_cn.html#to-variable) 接口将 numpy.ndarray 对象转换为 [Variable](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/Variable_cn.html#variable) 类型的对象。 +* 网络正向执行：在正向执行时，用户构造出img和label之后，可利用类似函数调用的方式（如：mnist(img, label)）传递参数执行对应网络的 forward 函数。 +* 计算损失值：根据网络返回的计算结果，计算损失值，便于后续执行反向计算。 +* 执行反向计算：需要用户主动调用 [backward](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/Variable_cn.html#backward) 接口来执行反向计算。 +* 参数更新：调用优化器的 [minimize](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/optimizer_cn/AdamOptimizer_cn.html#minimize) 接口对参数进行更新。 +* 梯度重置：将本次计算的梯度值清零，以便进行下一次迭代和梯度更新。 +* 保存训练好的模型：通过 [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 [state_dict](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#state_dict) 获取模型的参数；通过 [save_dygraph](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/save_dygraph_cn.html#save-dygraph) 对模型参数进行保存。 + + +```python +import numpy as np +from paddle.optimizer import AdamOptimizer +from paddle.imperative import to_variable + +paddle.enable_imperative() +# 定义MNIST类的对象 +mnist = MNIST() +# 定义优化器为AdamOptimizer，学习率learning_rate为0.001 +# 注意命令式编程下必须传入parameter_list参数，该参数为需要优化的网络参数，本例需要优化mnist网络中的所有参数 +adam = AdamOptimizer(learning_rate=0.001, parameter_list=mnist.parameters()) + +# 设置全部样本的训练次数 +epoch_num = 5 + +for epoch in range(epoch_num): + for batch_id, data in enumerate(train_reader()): + dy_x_data = np.array([x[0].reshape(1, 28, 28) for x in data]).astype('float32') + y_data = np.array([x[1] for x in data]).astype('int64').reshape(-1, 1) + + img = to_variable(dy_x_data) + label = to_variable(y_data) + + cost, acc = mnist(img, label) + + loss = paddle.nn.functional.cross_entropy(cost, label) + avg_loss = paddle.mean(loss) + avg_loss.backward() + adam.minimize(avg_loss) + mnist.clear_gradients() + + if batch_id % 100 == 0: + print("Loss at epoch {} step {}: {:}".format( + epoch, batch_id, avg_loss.numpy())) + +model_dict = mnist.state_dict() +paddle.imperative.save(model_dict, "save_temp") +``` + + +### 2.4 评估测试 + +模型训练完成，我们已经保存了训练好的模型，接下来进行评估测试。某些OP（如 dropout、batch_norm）需要区分训练模式和评估模式，以标识不同的执行状态。飞桨中OP默认采用的是训练模式（train mode），可通过如下方法切换： + + ``` +model.eval() #切换到评估模式 +model.train() #切换到训练模式 +``` + + +模型评估测试的实现如下： +* 首先定义 MNIST 类的对象 mnist_eval，然后通过 [load_dygraph](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/load_dygraph_cn.html#load-dygraph) 接口加载保存好的模型参数，通过 [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 [set_dict](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#set_dict) 接口将参数导入到模型中，通过 [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 eval 接口切换到预测评估模式。 +* 读取测试数据执行网络正向计算，进行评估测试，输出不同 batch 数据下损失值和准确率的平均值。 + + +```python +paddle.enable_imperative() +mnist_eval = MNIST() +model_dict, _ = paddle.imperative.load("save_temp") +mnist_eval.set_dict(model_dict) +print("checkpoint loaded") + +mnist_eval.eval() + +acc_set = [] +avg_loss_set = [] +for batch_id, data in enumerate(test_reader()): + dy_x_data = np.array([x[0].reshape(1, 28, 28) + for x in data]).astype('float32') + y_data = np.array( + [x[1] for x in data]).astype('int64').reshape(-1, 1) + + img = to_variable(dy_x_data) + label = to_variable(y_data) + + prediction, acc = mnist_eval(img, label) + + loss = paddle.nn.functional.cross_entropy(input=prediction, label=label) + avg_loss = paddle.mean(loss) + acc_set.append(float(acc.numpy())) + avg_loss_set.append(float(avg_loss.numpy())) + +acc_val_mean = np.array(acc_set).mean() +avg_loss_val_mean = np.array(avg_loss_set).mean() +print("Eval avg_loss is: {}, acc is: {}".format(avg_loss_val_mean, acc_val_mean)) +``` + +### 2.5 模型参数的保存和加载 + +在命令式编程下，模型和优化器在不同的模块中，所以模型和优化器分别在不同的对象中存储，使得模型参数和优化器信息需分别存储。 +因此模型的保存需要单独调用模型和优化器中的 state_dict() 接口，同样模型的加载也需要单独进行处理。 + +保存模型 ： +1. 保存模型参数：首先通过 minist.state_dict 函数获取 mnist 网络的所有参数，然后通过 paddle.imperative.save 函数将获得的参数保存至以 save_path 为前缀的文件中。 +1. 保存优化器信息：首先通过 adam.state_dict 函数获取 adam 优化器的信息，然后通过 paddle.imperative.save 函数将获得的参数保存至以 save_path 为前缀的文件中。 + * [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 [state_dict](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#state_dict) 接口：该接口可以获取当前层及其子层的所有参数，并将参数存放在 dict 结构中。 + * [Optimizer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/optimizer_cn/AdamOptimizer_cn.html#adamoptimizer) 的 state_dict 接口：该接口可以获取优化器的信息，并将信息存放在 dict 结构中。其中包含优化器使用的所有变量，例如对于 Adam 优化器，包括 beta1、beta2、momentum 等信息。注意如果该优化器的 minimize 函数没有被调用过，则优化器的信息为空。 + * [paddle.imperative.save](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/save_dygraph_cn.html#save-dygraph) 接口：该接口将传入的参数或优化器的 dict 保存到磁盘上。 +``` +# 保存模型参数 +1. paddle.imperative.save(minist.state_dict(), "save_path") +# 保存优化器信息 +2. paddle.imperative.save(adam.state_dict(), "save_path") +``` +加载模型： +1. 通过 paddle.imperative.load 函数获取模型参数信息 model_state 和优化器信息 opt_state； +1. 通过 mnist.set_dict 函数用获取的模型参数信息设置 mnist 网络的参数 +1. 通过 adam.set_dict 函数用获取的优化器信息设置 adam 优化器信息。 + * [Layer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#layer) 的 [set_dict](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/Layer_cn.html#set_dict) 接口：该接口根据传入的 dict 结构设置参数，所有参数将由 dict 结构中的 Tensor 设置。 + * [Optimizer](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/optimizer_cn/AdamOptimizer_cn.html#adamoptimizer) 的 set_dict 接口：该接口根据传入的 dict 结构设置优化器信息，例如对于 Adam 优化器，包括 beta1、beta2、momentum 等信息。如果使用了 LearningRateDecay ，则 global_step 信息也将会被设置。 + * [paddle.imperative.load](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/load_dygraph_cn.html#load-dygraph) 接口：该接口尝试从磁盘中加载参数或优化器的 dict 。 +``` +# 获取模型参数和优化器信息 +1. model_state, opt_state= paddle.imperative.load(“save_path”) +# 加载模型参数 +2. mnist.set_dict(model_state) +# 加载优化器信息 +3. adam.set_dict(opt_state) +``` + + +## 3. 多卡训练 + +针对数据量、计算量较大的任务，我们需要多卡并行训练，以提高训练效率。目前命令式编程可支持GPU的单机多卡训练方式，在命令式编程中多卡的启动和单卡略有不同，多卡通过 Python 基础库 subprocess.Popen 在每一张 GPU 上启动单独的 Python 程序的方式，每张卡的程序独立运行，只是在每一轮梯度计算完成之后，所有的程序进行梯度的同步，然后更新训练的参数。 + +我们通过一个实例了解如何进行多卡训练： +>由于AI Studio上未配置多卡环境，所以本实例需在本地构建多卡环境后运行。 + +1. 本实例仍然采用前面定义的 MNIST 网络，可将前面定义的 SimpleImgConvPool、MNIST 网络结构、相关的库导入代码、以及下面多卡训练的示例代码拷贝至本地文件 train.py 中。 + + +```python +import numpy as np +import paddle +from paddle.optimizer import AdamOptimizer +from paddle.imperative import to_variable + +place = paddle.CUDAPlace(paddle.imperative.ParallelEnv().dev_id) +paddle.enable_imperative(place) +strategy = paddle.imperative.prepare_context() +epoch_num = 5 +BATCH_SIZE = 64 +mnist = MNIST() +adam = AdamOptimizer(learning_rate=0.001, parameter_list=mnist.parameters()) +mnist = paddle.imperative.DataParallel(mnist, strategy) + +train_reader = paddle.batch( + paddle.dataset.mnist.train(), batch_size=BATCH_SIZE, drop_last=True) +train_reader = paddle.incubate.reader.distributed_batch_reader( + train_reader) + +for epoch in range(epoch_num): + for batch_id, data in enumerate(train_reader()): + dy_x_data = np.array([x[0].reshape(1, 28, 28) + for x in data]).astype('float32') + y_data = np.array( + [x[1] for x in data]).astype('int64').reshape(-1, 1) + + img = to_variable(dy_x_data) + label = to_variable(y_data) + label.stop_gradient = True + + cost, acc = mnist(img, label) + + loss = paddle.nn.functional.cross_entropy(cost, label) + avg_loss = paddle.mean(loss) + + avg_loss = mnist.scale_loss(avg_loss) + avg_loss.backward() + mnist.apply_collective_grads() + + adam.minimize(avg_loss) + mnist.clear_gradients() + + if batch_id % 100 == 0 and batch_id is not 0: + print("epoch: {}, batch_id: {}, loss is: {}".format(epoch, batch_id, avg_loss.numpy())) + +if paddle.imperative.ParallelEnv().local_rank == 0: + paddle.imperative.save(mnist.state_dict(), "work_0") +``` + +2、飞桨命令式编程多进程多卡模型训练启动时，需要指定使用的 GPU，比如使用 0,1 卡，可执行如下命令启动训练： + + +``` +CUDA_VISIBLE_DEVICES=0,1 python -m paddle.distributed.launch --log_dir ./mylog train.py +``` +其中 log_dir 为存放 log 的地址，train.py 为程序名。 +执行结果如下： + +``` +----------- Configuration Arguments ----------- +cluster_node_ips: 127.0.0.1 +log_dir: ./mylog +node_ip: 127.0.0.1 +print_config: True +selected_gpus: 0,1 +started_port: 6170 +training_script: train.py +training_script_args: [] +use_paddlecloud: False +------------------------------------------------ +trainers_endpoints: 127.0.0.1:6170,127.0.0.1:6171 , node_id: 0 , current_node_ip: 127.0.0.1 , num_nodes: 1 , node_ips: ['127.0.0.1'] , nranks: 2 +``` + +此时，程序会将每个进程的输出 log 导出到 ./mylog 路径下，可以打开 workerlog.0 和 workerlog.1 来查看结果： + +``` +. +├── mylog +│ ├── workerlog.0 +│ └── workerlog.1 +└── train.py +``` + +总结一下，多卡训练相比单卡训练，有如下步骤不同： +1. 通过 ParallelEnv() 的 dev_id 设置程序运行的设备。 +``` +place = paddle.CUDAPlace(paddle.imperative.ParallelEnv().dev_id) +paddle.enable_imperative(place): +``` +2. 准备多卡环境。 +``` +strategy = paddle.imperative.prepare_context() +``` +3. 数据并行模块。 + +在数据并行的时候，我们需要存储和初始化一些多卡相关的信息，这些信息和操作放在 DataParallel 类中，使用的时候，我们需要利用 model（定义的模型） 和 strategy（第二步得到的多卡环境） 信息初始化 DataParallel。 +``` +mnist = paddle.imperative.DataParallel(mnist, strategy) +``` +4. 数据切分。 + +数据切分是一个非常重要的流程，是为了防止每张卡在每一轮训练见到的数据都一样，可以使用 distributed_batch_reader 对单卡的 reader 进行进行切分处理。 用户也可以其他的策略来达到数据切分的目的，比如事先分配好每张卡的数据，这样就可以使用单卡的 reader ，不使用 distributed_batch_reader。 + +``` +train_reader = paddle.incubate.reader.distributed_batch_reader(train_reader) +``` + +5. 单步训练。 + +首先对 loss 进行归一化，然后计算单卡的梯度，最终将所有的梯度聚合。 +``` +avg_loss = mnist.scale_loss(avg_loss) +avg_loss.backward() +mnist.apply_collective_grads() +``` +6. 模型保存。 + +和单卡不同，多卡训练时需逐个进程执行保存操作，多个进程同时保存会使模型文件格式出错。 +``` +if paddle.imperative.ParallelEnv().local_rank == 0： + paddle.imperative.save(mnist.state_dict(), "worker_0") +``` +7. 评估测试。 + +对模型进行评估测试时，如果需要加载模型，须确保评估和保存的操作在同一个进程中，否则可能出现模型尚未保存完成，即启动评估，造成加载出错的问题。如果不需要加载模型，则没有这个问题，在一个进程或多个进程中评估均可。 + +## 4. 模型部署 + +### 4.1 动转静部署 +命令式编程虽然有非常多的优点，但是如果用户希望使用 C++ 部署已经训练好的模型，会存在一些不便利。比如，命令式编程中可使用 Python 原生的控制流，包含 if/else、switch、for/while，这些控制流需要通过一定的机制才能映射到 C++ 端，实现在 C++ 端的部署。 + + + + + +```python from paddle.imperative import TracedLayer paddle.enable_imperative() @@ -544,84 +544,84 @@ input_var = paddle.imperative.to_variable(in_np) out_dygraph, static_layer = TracedLayer.trace(mnist, inputs=[input_var]) save_dirname = './saved_infer_model' # 将转换后的模型保存 -static_layer.save_inference_model(save_dirname, feed=[0], fetch=[0]) -``` - - -```python -# 声明式编程中需要使用执行器执行之前已经定义好的网络 -place = paddle.CPUPlace() -exe = paddle.Executor(place) -program, feed_vars, fetch_vars = paddle.io.load_inference_model(save_dirname, exe) -# 声明式编程中需要调用执行器的run方法执行计算过程 -fetch, = exe.run(program, feed={feed_vars[0]: in_np}, fetch_list=fetch_vars) -``` - -以上示例中，通过 [TracerLayer.trace](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/TracedLayer_cn.html#trace) 接口来运行命令式模型并将其转换为声明式模型，该接口需要传入命令式模型 mnist 和输入变量列表 [input_var]；然后调用 [save_inference_model](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/TracedLayer_cn.html#save_inference_model) 接口将声明式模型保存为用于预测部署的模型，之后利用 [load_inference_model](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/io_cn/load_inference_model_cn.html) 接口将保存的模型加载，并使用 [Executor](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/executor_cn/Executor_cn.html#executor) 执行，检查结果是否正确。 - -[save_inference_model](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/api_cn/dygraph_cn/TracedLayer_cn.html#save_inference_model) 保存的下来的模型，同样可以使用 C++ 加载部署，具体的操作请参考：[C++ 预测 API介绍](https://www.paddlepaddle.org.cn/documentation/docs/zh/advanced_guide/inference_deployment/inference/native_infer.html) - -* 如果任务中包含了依赖数据的控制流，比如下面这个示例中if条件的判断依赖输入的shape。针对这种场景，可以使用基于ProgramTranslator的方式转成声明式编程的program，通过save_inference_model 接口将声明式模型保存为用于预测部署的模型，之后利用 [load_inference_model](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/io_cn/load_inference_model_cn.html) 接口将保存的模型加载，并使用 [Executor](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/executor_cn/Executor_cn.html#executor) 执行，检查结果是否正确。 - -保存的下来的模型，同样可以使用 C++ 加载部署，具体的操作请参考：[C++ 预测 API介绍](https://www.paddlepaddle.org.cn/documentation/docs/zh/advanced_guide/inference_deployment/inference/native_infer.html) - - -```python -paddle.enable_imperative() -in_np = np.array([-2]).astype('int') -# 将numpy的ndarray类型的数据转换为Variable类型 -input_var = paddle.imperative.to_variable(in_np) -# if判断与输入input_var的shape有关 -if input_var.shape[0] > 1: - print("input_var's shape[0] > 1") -else: - print("input_var's shape[1] < 1") -``` - -* 针对依赖数据的控制流，解决流程如下 1. 添加declarative装饰器； 2. 利用ProgramTranslator进行转换 - -1) 添加declarative装饰器 -首先需要对给MNist类的forward函数添加一个declarative 装饰器，来标记需要转换的代码块，（注：需要在最外层的class的forward函数中添加） - -```python +static_layer.save_inference_model(save_dirname, feed=[0], fetch=[0]) +``` + + +```python +# 声明式编程中需要使用执行器执行之前已经定义好的网络 +place = paddle.CPUPlace() +exe = paddle.Executor(place) +program, feed_vars, fetch_vars = paddle.io.load_inference_model(save_dirname, exe) +# 声明式编程中需要调用执行器的run方法执行计算过程 +fetch, = exe.run(program, feed={feed_vars[0]: in_np}, fetch_list=fetch_vars) +``` + +以上示例中，通过 [TracerLayer.trace](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/TracedLayer_cn.html#trace) 接口来运行命令式模型并将其转换为声明式模型，该接口需要传入命令式模型 mnist 和输入变量列表 [input_var]；然后调用 [save_inference_model](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/TracedLayer_cn.html#save_inference_model) 接口将声明式模型保存为用于预测部署的模型，之后利用 [load_inference_model](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/io_cn/load_inference_model_cn.html) 接口将保存的模型加载，并使用 [Executor](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/executor_cn/Executor_cn.html#executor) 执行，检查结果是否正确。 + +[save_inference_model](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/api_cn/dygraph_cn/TracedLayer_cn.html#save_inference_model) 保存的下来的模型，同样可以使用 C++ 加载部署，具体的操作请参考：[C++ 预测 API介绍](https://www.paddlepaddle.org.cn/documentation/docs/zh/advanced_guide/inference_deployment/inference/native_infer.html) + +* 如果任务中包含了依赖数据的控制流，比如下面这个示例中if条件的判断依赖输入的shape。针对这种场景，可以使用基于ProgramTranslator的方式转成声明式编程的program，通过save_inference_model 接口将声明式模型保存为用于预测部署的模型，之后利用 [load_inference_model](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/io_cn/load_inference_model_cn.html) 接口将保存的模型加载，并使用 [Executor](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/executor_cn/Executor_cn.html#executor) 执行，检查结果是否正确。 + +保存的下来的模型，同样可以使用 C++ 加载部署，具体的操作请参考：[C++ 预测 API介绍](https://www.paddlepaddle.org.cn/documentation/docs/zh/advanced_guide/inference_deployment/inference/native_infer.html) + + +```python +paddle.enable_imperative() +in_np = np.array([-2]).astype('int') +# 将numpy的ndarray类型的数据转换为Variable类型 +input_var = paddle.imperative.to_variable(in_np) +# if判断与输入input_var的shape有关 +if input_var.shape[0] > 1: + print("input_var's shape[0] > 1") +else: + print("input_var's shape[1] < 1") +``` + +* 针对依赖数据的控制流，解决流程如下 1. 添加declarative装饰器； 2. 利用ProgramTranslator进行转换 + +1) 添加declarative装饰器 +首先需要对给MNist类的forward函数添加一个declarative 装饰器，来标记需要转换的代码块，（注：需要在最外层的class的forward函数中添加） + +```python from paddle.imperative import declarative # 定义MNIST网络，必须继承自paddle.nn.Layer # 该网络由两个SimpleImgConvPool子网络、reshape层、matmul层、softmax层、accuracy层组成 -class MNIST(paddle.nn.Layer): - def __init__(self): - super(MNIST, self).__init__() - self._simple_img_conv_pool_1 = SimpleImgConvPool( - 1, 20, 5, 2, 2, act="relu") - self._simple_img_conv_pool_2 = SimpleImgConvPool( - 20, 50, 5, 2, 2, act="relu") - - self.pool_2_shape = 50 * 4 * 4 - SIZE = 10 - self.output_weight = self.create_parameter( - [self.pool_2_shape, 10]) - - @declarative - def forward(self, inputs, label=None): - x = self._simple_img_conv_pool_1(inputs) - x = self._simple_img_conv_pool_2(x) - x = paddle.reshape(x, shape=[-1, self.pool_2_shape]) - x = paddle.matmul(x, self.output_weight) - x = paddle.nn.functional.softmax(x) - if label is not None: - acc = paddle.metric.accuracy(input=x, label=label) - return x, acc - else: +class MNIST(paddle.nn.Layer): + def __init__(self): + super(MNIST, self).__init__() + self._simple_img_conv_pool_1 = SimpleImgConvPool( + 1, 20, 5, 2, 2, act="relu") + self._simple_img_conv_pool_2 = SimpleImgConvPool( + 20, 50, 5, 2, 2, act="relu") + + self.pool_2_shape = 50 * 4 * 4 + SIZE = 10 + self.output_weight = self.create_parameter( + [self.pool_2_shape, 10]) + + @declarative + def forward(self, inputs, label=None): + x = self._simple_img_conv_pool_1(inputs) + x = self._simple_img_conv_pool_2(x) + x = paddle.reshape(x, shape=[-1, self.pool_2_shape]) + x = paddle.matmul(x, self.output_weight) + x = paddle.nn.functional.softmax(x) + if label is not None: + acc = paddle.metric.accuracy(input=x, label=label) + return x, acc + else: return x - -``` - - -2） 利用ProgramTranslator进行转换 - - - -```python + +``` + + +2） 利用ProgramTranslator进行转换 + + + +```python import paddle paddle.enable_imperative() @@ -635,181 +635,181 @@ label_var = paddle.imperative.to_variable(label_np) out = mnist( input_var, label_var) -prog_trans.save_inference_model("./mnist_dy2stat", fetch=[0,1]) -``` - -### 4.2 动转静训练 - -由于命令式编程在执行的时候，存在python与c++交互，由于计算图的构建，会引起命令式编程在部分RNN相关的任务性能比声明式编程要差，为了提升这类性能的性能，可以将命令式转换为声明式模型的方法进行训练，转换方式非常简单，仅需要对给MNist类的forward函数添加一个declarative 装饰器，来标记需要转换的代码块。 - -```python -from paddle.imperative import declarative - -# 定义MNIST网络，必须继承自paddle.nn.Layer -# 该网络由两个SimpleImgConvPool子网络、reshape层、matmul层、softmax层、accuracy层组成 -class MNIST(paddle.nn.Layer): - def __init__(self): - super(MNIST, self).__init__() - self._simple_img_conv_pool_1 = SimpleImgConvPool( - 1, 20, 5, 2, 2, act="relu") - self._simple_img_conv_pool_2 = SimpleImgConvPool( - 20, 50, 5, 2, 2, act="relu") - - self.pool_2_shape = 50 * 4 * 4 - SIZE = 10 - self.output_weight = self.create_parameter( - [self.pool_2_shape, 10]) - - @declarative - def forward(self, inputs, label=None): - x = self._simple_img_conv_pool_1(inputs) - x = self._simple_img_conv_pool_2(x) - x = paddle.reshape(x, shape=[-1, self.pool_2_shape]) - x = paddle.matmul(x, self.output_weight) - x = paddle.nn.functional.softmax(x) - if label is not None: - acc = paddle.metric.accuracy(input=x, label=label) - return x, acc - else: - return x - -``` - - - -## 5. 使用技巧 - -### 5.1 中间变量值、梯度打印 - -1. 用户想要查看任意变量的值，可以使用 [numpy](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/Variable_cn.html#numpy) 接口。 - -``` -x = y * 10 -print(x.numpy()) -``` - -来直接打印变量的值 - -2. 查看反向的值 -可以在执行了 backward 之后，可以通过 [gradient](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/Variable_cn.html#gradient) 接口来看任意变量的梯度 - -``` -x = y * 10 -x.backward() -print(y.gradient()) -``` - -可以直接打印反向梯度的值 - -### 5.2 断点调试 - -因为采用了命令式的编程方式，程序在执行之后，可以立马获取到执行的结果，因此在命令式编程中，用户可以利用IDE提供的断点调试功能，通过查 Variable 的 shape、真实值等信息，有助于发现程序中的问题。 - -1. 如下图所示，在示例程序中设置两个断点，执行到第一个断点的位置，我们可以观察变量 x 和 linear1 的信息。 - -![](https://ai-studio-static-online.cdn.bcebos.com/b9bade026bea4ae797d26dcd4590452d0d563574df6b4e1cbedd0645dcbcb349) -![](https://ai-studio-static-online.cdn.bcebos.com/c2a9096e653044849b98d94758a4ac3a77025351c1134453b2c8d18dc8ad8a73) - -2. 同时可以观察 linear1 中的权重值。 - -![](https://ai-studio-static-online.cdn.bcebos.com/e46576c64de84fa780830e1146afda0acc67fb20ea43452dadfc4949a3aad684) -![](https://ai-studio-static-online.cdn.bcebos.com/c00a6152805a492485ba0bdde773b2ac7f544f56a0364038aa2d0681ed8d0483) -![](https://ai-studio-static-online.cdn.bcebos.com/f9bc8a52eaa24181a6a6832e992feb9e726afa17764146c38fd69e8d008e7994) - - -### 5.3 阻断反向传递 - -在一些任务中，只希望拿到正向预测的值，但是不希望更新参数，或者在反向的时候剪枝，减少计算量，阻断反向的传播， Paddle提供了两种解决方案： [detach](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/Variable_cn.html#detach) 接口和 [stop_gradient](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/Variable_cn.html#stop_gradient) 接口，建议用户使用 detach 接口。 - -1. detach接口（建议用法） -使用方式如下： - -``` -fw_out = fw_out.detach() -``` - -detach() 接口会产生一个新的、和当前计算图分离的，但是拥有当前变量内容的临时变量。 - -通过该接口可以阻断反向的梯度传递。 - - -```python -import paddle -import numpy as np - -paddle.enable_imperative() -value0 = np.arange(26).reshape(2, 13).astype("float32") -value1 = np.arange(6).reshape(2, 3).astype("float32") -value2 = np.arange(10).reshape(2, 5).astype("float32") - -# 将ndarray类型的数据转换为Variable类型 -a = paddle.imperative.to_variable(value0) -b = paddle.imperative.to_variable(value1) -c = paddle.imperative.to_variable(value2) - -# 构造fc、fc2层 -fc = paddle.nn.Linear(13, 5, dtype="float32") -fc2 = paddle.nn.Linear(3, 3, dtype="float32") - -# 对fc、fc2层执行前向计算 -out1 = fc(a) -out2 = fc2(b) - -# 将不会对out1这部分子图做反向计算 -out1 = out1.detach() - -out = paddle.concat(input=[out1, out2, c], axis=1) -out.backward() - -# 可以发现这里out1.gradient()的值都为0，同时使得fc.weight的grad没有初始化 -assert (out1.gradient() == 0).all() -``` - -2. stop_gradient 接口 - -每个 Variable 都有一个 stop_gradient 属性，可以用于细粒度地在反向梯度计算时排除部分子图，以提高效率。 - -如果OP只要有一个输入需要梯度，那么该OP的输出也需要梯度。相反，只有当OP的所有输入都不需要梯度时，该OP的输出也不需要梯度。在所有的 Variable 都不需要梯度的子图中，反向计算就不会进行计算了。 - -在命令式编程下，除参数以外的所有 Variable 的 stop_gradient 属性默认值都为 True，而参数的 stop_gradient 属性默认值为 False。 该属性用于自动剪枝，避免不必要的反向运算。 - -使用方式如下： - -``` -fw_out.stop_gradient = True -``` - -通过将 Variable 的 stop_gradient 属性设置为 True，当 stop_gradient 设置为 True 时，梯度在反向传播时，遇到该 Variable，就不会继续传递。 - - -```python -import paddle -import numpy as np - -paddle.enable_imperative() -value0 = np.arange(26).reshape(2, 13).astype("float32") -value1 = np.arange(6).reshape(2, 3).astype("float32") -value2 = np.arange(10).reshape(2, 5).astype("float32") - -# 将ndarray类型的数据转换为Variable类型 -a = paddle.imperative.to_variable(value0) -b = paddle.imperative.to_variable(value1) -c = paddle.imperative.to_variable(value2) - -# 构造fc、fc2层 -fc = paddle.nn.Linear(13, 5, dtype="float32") -fc2 = paddle.nn.Linear(3, 3, dtype="float32") - -# 对fc、fc2层执行前向计算 -out1 = fc(a) -out2 = fc2(b) - -# 将不会对out1这部分子图做反向计算 -out1.stop_gradient = True - -out = paddle.concat(input=[out1, out2, c], axis=1) -out.backward() - -# 可以发现这里out1.gradient()的值都为0，同时使得fc.weight的grad没有初始化 -assert (out1.gradient() == 0).all() -``` +prog_trans.save_inference_model("./mnist_dy2stat", fetch=[0,1]) +``` + +### 4.2 动转静训练 + +由于命令式编程在执行的时候，存在python与c++交互，由于计算图的构建，会引起命令式编程在部分RNN相关的任务性能比声明式编程要差，为了提升这类性能的性能，可以将命令式转换为声明式模型的方法进行训练，转换方式非常简单，仅需要对给MNist类的forward函数添加一个declarative 装饰器，来标记需要转换的代码块。 + +```python +from paddle.imperative import declarative + +# 定义MNIST网络，必须继承自paddle.nn.Layer +# 该网络由两个SimpleImgConvPool子网络、reshape层、matmul层、softmax层、accuracy层组成 +class MNIST(paddle.nn.Layer): + def __init__(self): + super(MNIST, self).__init__() + self._simple_img_conv_pool_1 = SimpleImgConvPool( + 1, 20, 5, 2, 2, act="relu") + self._simple_img_conv_pool_2 = SimpleImgConvPool( + 20, 50, 5, 2, 2, act="relu") + + self.pool_2_shape = 50 * 4 * 4 + SIZE = 10 + self.output_weight = self.create_parameter( + [self.pool_2_shape, 10]) + + @declarative + def forward(self, inputs, label=None): + x = self._simple_img_conv_pool_1(inputs) + x = self._simple_img_conv_pool_2(x) + x = paddle.reshape(x, shape=[-1, self.pool_2_shape]) + x = paddle.matmul(x, self.output_weight) + x = paddle.nn.functional.softmax(x) + if label is not None: + acc = paddle.metric.accuracy(input=x, label=label) + return x, acc + else: + return x + +``` + + + +## 5. 使用技巧 + +### 5.1 中间变量值、梯度打印 + +1. 用户想要查看任意变量的值，可以使用 [numpy](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/Variable_cn.html#numpy) 接口。 + +``` +x = y * 10 +print(x.numpy()) +``` + +来直接打印变量的值 + +2. 查看反向的值 +可以在执行了 backward 之后，可以通过 [gradient](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/Variable_cn.html#gradient) 接口来看任意变量的梯度 + +``` +x = y * 10 +x.backward() +print(y.gradient()) +``` + +可以直接打印反向梯度的值 + +### 5.2 断点调试 + +因为采用了命令式的编程方式，程序在执行之后，可以立马获取到执行的结果，因此在命令式编程中，用户可以利用IDE提供的断点调试功能，通过查 Variable 的 shape、真实值等信息，有助于发现程序中的问题。 + +1. 如下图所示，在示例程序中设置两个断点，执行到第一个断点的位置，我们可以观察变量 x 和 linear1 的信息。 + +![](https://ai-studio-static-online.cdn.bcebos.com/b9bade026bea4ae797d26dcd4590452d0d563574df6b4e1cbedd0645dcbcb349) +![](https://ai-studio-static-online.cdn.bcebos.com/c2a9096e653044849b98d94758a4ac3a77025351c1134453b2c8d18dc8ad8a73) + +2. 同时可以观察 linear1 中的权重值。 + +![](https://ai-studio-static-online.cdn.bcebos.com/e46576c64de84fa780830e1146afda0acc67fb20ea43452dadfc4949a3aad684) +![](https://ai-studio-static-online.cdn.bcebos.com/c00a6152805a492485ba0bdde773b2ac7f544f56a0364038aa2d0681ed8d0483) +![](https://ai-studio-static-online.cdn.bcebos.com/f9bc8a52eaa24181a6a6832e992feb9e726afa17764146c38fd69e8d008e7994) + + +### 5.3 阻断反向传递 + +在一些任务中，只希望拿到正向预测的值，但是不希望更新参数，或者在反向的时候剪枝，减少计算量，阻断反向的传播， Paddle提供了两种解决方案： [detach](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/Variable_cn.html#detach) 接口和 [stop_gradient](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/Variable_cn.html#stop_gradient) 接口，建议用户使用 detach 接口。 + +1. detach接口（建议用法） +使用方式如下： + +``` +fw_out = fw_out.detach() +``` + +detach() 接口会产生一个新的、和当前计算图分离的，但是拥有当前变量内容的临时变量。 + +通过该接口可以阻断反向的梯度传递。 + + +```python +import paddle +import numpy as np + +paddle.enable_imperative() +value0 = np.arange(26).reshape(2, 13).astype("float32") +value1 = np.arange(6).reshape(2, 3).astype("float32") +value2 = np.arange(10).reshape(2, 5).astype("float32") + +# 将ndarray类型的数据转换为Variable类型 +a = paddle.imperative.to_variable(value0) +b = paddle.imperative.to_variable(value1) +c = paddle.imperative.to_variable(value2) + +# 构造fc、fc2层 +fc = paddle.nn.Linear(13, 5, dtype="float32") +fc2 = paddle.nn.Linear(3, 3, dtype="float32") + +# 对fc、fc2层执行前向计算 +out1 = fc(a) +out2 = fc2(b) + +# 将不会对out1这部分子图做反向计算 +out1 = out1.detach() + +out = paddle.concat(input=[out1, out2, c], axis=1) +out.backward() + +# 可以发现这里out1.gradient()的值都为0，同时使得fc.weight的grad没有初始化 +assert (out1.gradient() == 0).all() +``` + +2. stop_gradient 接口 + +每个 Variable 都有一个 stop_gradient 属性，可以用于细粒度地在反向梯度计算时排除部分子图，以提高效率。 + +如果OP只要有一个输入需要梯度，那么该OP的输出也需要梯度。相反，只有当OP的所有输入都不需要梯度时，该OP的输出也不需要梯度。在所有的 Variable 都不需要梯度的子图中，反向计算就不会进行计算了。 + +在命令式编程下，除参数以外的所有 Variable 的 stop_gradient 属性默认值都为 True，而参数的 stop_gradient 属性默认值为 False。 该属性用于自动剪枝，避免不必要的反向运算。 + +使用方式如下： + +``` +fw_out.stop_gradient = True +``` + +通过将 Variable 的 stop_gradient 属性设置为 True，当 stop_gradient 设置为 True 时，梯度在反向传播时，遇到该 Variable，就不会继续传递。 + + +```python +import paddle +import numpy as np + +paddle.enable_imperative() +value0 = np.arange(26).reshape(2, 13).astype("float32") +value1 = np.arange(6).reshape(2, 3).astype("float32") +value2 = np.arange(10).reshape(2, 5).astype("float32") + +# 将ndarray类型的数据转换为Variable类型 +a = paddle.imperative.to_variable(value0) +b = paddle.imperative.to_variable(value1) +c = paddle.imperative.to_variable(value2) + +# 构造fc、fc2层 +fc = paddle.nn.Linear(13, 5, dtype="float32") +fc2 = paddle.nn.Linear(3, 3, dtype="float32") + +# 对fc、fc2层执行前向计算 +out1 = fc(a) +out2 = fc2(b) + +# 将不会对out1这部分子图做反向计算 +out1.stop_gradient = True + +out = paddle.concat(input=[out1, out2, c], axis=1) +out.backward() + +# 可以发现这里out1.gradient()的值都为0，同时使得fc.weight的grad没有初始化 +assert (out1.gradient() == 0).all() +```