################# fluid ################# .. _cn_api_fluid_AsyncExecutor: AsyncExecutor ------------------------------- .. py:class:: paddle.fluid.AsyncExecutor(place=None, run_mode='') **AsyncExecutor正在积极开发，API可能在短期内进行调整。** Python中的异步执行器。AsyncExecutor利用多核处理器和数据排队的强大功能，使数据读取和融合解耦，每个线程并行运行。 AsyncExecutor不是在python端读取数据，而是接受一个训练文件列表，该列表将在c++中检索，然后训练输入将被读取、解析并在c++代码中提供给训练网络。 参数： - **place** (fluid.CPUPlace|None) - 指示 executor 将在哪个设备上运行。目前仅支持CPU **代码示例：** .. code-block:: python data_feed = fluid.DataFeedDesc('data.proto') startup_program = fluid.default_startup_program() main_program = fluid.default_main_program() filelist = ["train_data/part-%d" % i for i in range(100)] thread_num = len(filelist) / 4 place = fluid.CPUPlace() async_executor = fluid.AsyncExecutor(place) async_executor.run_startup_program(startup_program) epoch = 10 for i in range(epoch): async_executor.run(main_program, data_feed, filelist, thread_num, [acc], debug=False) .. note:: 对于并行gpu调试复杂网络，您可以在executor上测试。他们有完全相同的参数，并可以得到相同的结果。 目前仅支持CPU .. py:method:: run(program, data_feed, filelist, thread_num, fetch, mode='', debug=False) 使用此 ``AsyncExecutor`` 来运行 ``program`` 。 ``filelist`` 中包含训练数据集。用户也可以通过在参数 ``fetch`` 中提出变量来检查特定的变量， 正如 ``fluid.Executor`` 。 但不像 ``fluid.Executor`` ， ``AsyncExecutor`` 不返回获取到的变量，而是将每个获取到的变量作为标准输出展示给用户。 数据集上的运算在多个线程上执行，每个线程中都会独立出一个线程本地作用域，并在此域中建立运算。 所有运算同时更新参数值。 参数: - **program** (Program) – 需要执行的program。如果没有提供该参数，默认使用 ``default_main_program`` - **data_feed** (DataFeedDesc) – ``DataFeedDesc`` 对象 - **filelist** (str) – 一个包含训练数据集文件的文件列表 - **thread_num** (int) – 并发训练线程数。参照 *注解* 部分获取合适的设置方法 - **fetch** (str|list) – 变量名，或者变量名列表。指明最后要进行观察的变量命名 - **mode** (str) – 该接口的运行模式 - **debug** (bool) – 如果为True, 在每一个minibatch处理后，fetch 中指明的变量将会通过标准输出打印出来 .. note:: 1.该执行器会运行program中的所有运算，不只是那些依赖于fetchlist的运算 2.该类执行器在多线程上运行，每个线程占用一个CPU核。为了实现效率最大化，建议将 ``thread_num`` 等于或稍微小于CPU核心数 .. py:method:: download_data(afs_path, local_path, fs_default_name, ugi, file_cnt, hadoop_home='$HADOOP_HOME', process_num=12) download_data是用于分布式训练的默认下载方法，用户可不使用该方法下载数据。 **示例** .. code-block:: python exe = fluid.AsyncExecutor() exe.download_data("/xxx/xxx/xx/", "./data", "afs:// xxx.xxx.xxx.xxx:9901", "xxx,yyy") 参数: - **afs_path** （str） - 用户定义的afs_path - **local_path** （str） - 下载数据路径 - **fs_default_name** （str） - 文件系统服务器地址 - **ugi** （str） - hadoop ugi - **file_cn** （int） - 用户可以指定用于调试的文件号 - **hadoop_home** （str） - hadoop home path - **process_num** （int） - 下载进程号 .. py:method:: get_instance() 获取当前节点的实例，以便用户可以在分布式背景下中执行操作。 .. py:method:: config_distributed_nodes() 如果用户需要运行分布式AsyncExecutor，则需要进行全局配置，以便获取当前进程的信息。 .. py:method:: stop() 在流程结束时，用户应该停止服务器并阻止所有workers。 .. py:method:: init_server(dist_desc) 如果当前进程是server，则初始化当前节点的服务器。 参数: - **dist_desc** （str）- 描述如何初始化worker和server的protobuf字符串 .. py:method:: init_worker(dist_desc, startup_program) 如果当前进程是worker，则初始化当前节点的worker 参数: - **dist_desc** （str）- 描述如何初始化worker和server的protobuf字符串 - **startup_program** （fluid.Program）- 当前进程的startup program .. py:method:: init_model() 可以从其中一个worker中调用的init_model命令。随之，在server中初始化模型参数。 .. py:method:: save_model(save_path) 可以从其中一个worker调用的save_model命令。随之，模型参数会保存在server中并上传到文件系统的save_path指定的位置。 参数: - **save_path** （str）- 文件系统的保存路径 .. _cn_api_fluid_BuildStrategy: BuildStrategy ------------------------------- .. py:class:: paddle.fluid.BuildStrategy ``BuildStrategy`` 使用户更精准地控制 ``ParallelExecutor`` 中SSA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 build_strategy = fluid.BuildStrategy() build_strategy.reduce_strategy = fluid.BuildStrategy.ReduceStrategy.Reduce train_exe = fluid.ParallelExecutor(use_cuda=True, loss_name=loss.name, build_strategy=build_strategy) train_loss, = train_exe.run([loss.name], feed=feed_dict) .. py:attribute:: debug_graphviz_path str类型。它表明了以graphviz格式向文件中写入SSA图的路径，有利于调试。 默认值为""。 .. py:attribute:: fuse_elewise_add_act_ops bool类型。它表明了是否融合（fuse）elementwise_add_op和activation_op。这会使整体执行过程更快一些。默认为False。 .. py:attribute:: fuse_relu_depthwise_conv BOOL类型，fuse_relu_depthwise_conv指示是否融合relu和depthwise_conv2d，它会节省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。 .. py:attribute:: gradient_scale_strategy str类型。在 ``ParallelExecutor`` 中，存在三种定义 *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* 。如果你想自定义 *loss@grad* ，你可以选择 ``Customized`` 方法。默认为 ``CoeffNumDevice`` 。 .. py:attribute:: reduce_strategy str类型。在 ``ParallelExecutor`` 中，存在两种减少策略（reduce strategy），即 ``AllReduce`` 和 ``Reduce`` 。如果你需要在所有执行场所上独立地进行参数优化，可以使用 ``AllReduce`` 。反之，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场所，随之将优化后的参数广播给其他执行场所。在一些模型中， ``Reduce`` 策略执行速度更快一些。默认值为 ``AllReduce`` 。 .. py:attribute:: remove_unnecessary_lock BOOL类型。如果设置为True, GPU操作中的一些锁将被释放，ParallelExecutor将运行得更快，默认为 False。 .. _cn_api_fluid_CompiledProgram: CompiledProgram ------------------------------- .. py:class:: paddle.fluid.CompiledProgram(program) 编译一个接着用来执行的Program。 1. 首先使用layers(网络层)创建程序。 2. （可选）可使用CompiledProgram来在运行之前优化程序。 3. 定义的程序或CompiledProgram由Executor运行。 CompiledProgram用于转换程序以进行各种优化。例如， - 预先计算一些逻辑，以便每次运行更快。 - 转换Program，使其可以在多个设备中运行。 - 转换Program以进行优化预测或分布式训练。 **代码示例** .. code-block:: python place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace() exe = fluid.Executor(place) exe.run(startup) compiled_prog = compiler.CompiledProgram(main).with_data_parallel( loss_name=loss.name) for i in range(5): test_loss, = exe.run(compiled_prog, feed=feed_dict, fetch_list=[loss.name]) 参数： - **program** : 一个Program对象，承载着用户定义的模型计算逻辑 .. py:method:: with_data_parallel(loss_name=None, build_strategy=None, exec_strategy=None, share_vars_from=None) 配置Program使其以数据并行方式运行。 参数： - **loss_name** （str） - 损失函数名称必须在训练过程中设置。 默认None。 - **build_strategy** （BuildStrategy） - build_strategy用于构建图，因此它可以在具有优化拓扑的多个设备/核上运行。 有关更多信息，请参阅 ``fluid.BuildStrategy`` 。 默认None。 - **exec_strategy** （ExecutionStrategy） - exec_strategy用于选择执行图的方式，例如使用多少线程，每次清理临时变量之前进行的迭代次数。 有关更多信息，请参阅 ``fluid.ExecutionStrategy`` 。 默认None。 - **share_vars_from** （CompiledProgram） - 如果有，此CompiledProgram将共享来自share_vars_from的变量。 share_vars_from指定的Program必须由此CompiledProgram之前的Executor运行，以便vars准备就绪。 返回: self .. py:method:: with_inference_optimize(config) 添加预测优化。 参数： - **config** - 用于创建预测器的NativeConfig或AnalysisConfig的实例 返回: self .. _cn_api_fluid_CPUPlace: CPUPlace ------------------------------- .. py:class:: paddle.fluid.CPUPlace .. _cn_api_fluid_create_lod_tensor: create_lod_tensor ------------------------------- .. py:function:: paddle.fluid.create_lod_tensor(data, recursive_seq_lens, place) 该函数从一个numpy数组，列表或者已经存在的lod tensor中创建一个lod tensor。 通过一下几步实现: 1. 检查length-based level of detail (LoD,长度为基准的细节层次)，或称recursive_sequence_lengths(递归序列长度)的正确性 2. 将recursive_sequence_lengths转化为offset-based LoD(偏移量为基准的LoD) 3. 把提供的numpy数组，列表或者已经存在的lod tensor复制到CPU或GPU中(依据执行场所确定) 4. 利用offset-based LoD来设置LoD 例如： 假如我们想用LoD Tensor来承载一词序列的数据，其中每个词由一个整数来表示。现在，我们意图创建一个LoD Tensor来代表两个句子，其中一个句子有两个词，另外一个句子有三个。 那么数 ``data`` 可以是一个numpy数组，形状为（5,1）。同时， ``recursive_seq_lens`` 为 [[2, 3]]，表明各个句子的长度。这个长度为基准的 ``recursive_seq_lens`` 将在函数中会被转化为以偏移量为基准的 LoD [[0, 2, 5]]。 参数: - **data** (numpy.ndarray|list|LoDTensor) – 容纳着待复制数据的一个numpy数组、列表或LoD Tensor - **recursive_seq_lens** (list) – 一组列表的列表， 表明了由用户指明的length-based level of detail信息 - **place** (Place) – CPU或GPU。 指明返回的新LoD Tensor存储地点 返回: 一个fluid LoDTensor对象，包含数据和 ``recursive_seq_lens`` 信息 .. _cn_api_fluid_create_random_int_lodtensor: create_random_int_lodtensor ------------------------------- .. py:function:: paddle.fluid.create_random_int_lodtensor(recursive_seq_lens, base_shape, place, low, high) 该函数创建一个存储多个随机整数的LoD Tensor。 该函数是经常在书中出现的案例，所以我们根据新的API： ``create_lod_tensor`` 更改它然后放在LoD Tensor板块里来简化代码。 该函数实现以下功能： 1. 根据用户输入的length-based ``recursive_seq_lens`` （基于长度的递归序列长）和在 ``basic_shape`` 中的基本元素形状计算LoDTensor的整体形状 2. 由此形状，建立numpy数组 3. 使用API： ``create_lod_tensor`` 建立LoDTensor 假如我们想用LoD Tensor来承载一词序列，其中每个词由一个整数来表示。现在，我们意图创建一个LoD Tensor来代表两个句子，其中一个句子有两个词，另外一个句子有三个。那么 ``base_shape`` 为[1], 输入的length-based ``recursive_seq_lens`` 是 [[2, 3]]。那么LoDTensor的整体形状应为[5, 1]，并且为两个句子存储5个词。 参数: - **recursive_seq_lens** (list) – 一组列表的列表， 表明了由用户指明的length-based level of detail信息 - **base_shape** (list) – LoDTensor所容纳的基本元素的形状 - **place** (Place) – CPU或GPU。 指明返回的新LoD Tensor存储地点 - **low** (int) – 随机数下限 - **high** (int) – 随机数上限 返回: 一个fluid LoDTensor对象，包含数据和 ``recursive_seq_lens`` 信息 .. _cn_api_fluid_CUDAPinnedPlace: CUDAPinnedPlace ------------------------------- .. py:class:: paddle.fluid.CUDAPinnedPlace .. _cn_api_fluid_CUDAPlace: CUDAPlace ------------------------------- .. py:class:: paddle.fluid.CUDAPlace .. _cn_api_fluid_DataFeedDesc: DataFeedDesc ------------------------------- .. py:class:: paddle.fluid.DataFeedDesc(proto_file) 数据描述符，描述输入训练数据格式。 这个类目前只用于AsyncExecutor(有关类AsyncExecutor的简要介绍，请参阅注释) DataFeedDesc应由来自磁盘的有效protobuf消息初始化: .. code-block:: python data_feed = fluid.DataFeedDesc('data.proto') 可以参考 :code:`paddle/fluid/framework/data_feed.proto` 查看我们如何定义message 一段典型的message可能是这样的： .. code-block:: text name: "MultiSlotDataFeed" batch_size: 2 multi_slot_desc { slots { name: "words" type: "uint64" is_dense: false is_used: true } slots { name: "label" type: "uint64" is_dense: false is_used: true } } 但是，用户通常不应该关心消息格式;相反，我们鼓励他们在将原始日志文件转换为AsyncExecutor可以接受的训练文件的过程中，使用 :code:`Data Generator` 生成有效数据描述。 DataFeedDesc也可以在运行时更改。一旦你熟悉了每个字段的含义，您可以修改它以更好地满足您的需要。例如: .. code-block:: python data_feed.set_batch_size(128) data_feed.set_dense_slots('wd') # The slot named 'wd' will be dense data_feed.set_use_slots('wd') # The slot named 'wd' will be used #Finally, the content can be dumped out for debugging purpose: print(data_feed.desc()) 参数： - **proto_file** (string) - 包含数据feed中描述的磁盘文件 .. py:method:: set_batch_size(batch_size) 设置batch size，训练期间有效 参数： - batch_size：batch size **代码示例：** .. code-block:: python data_feed = fluid.DataFeedDesc('data.proto') data_feed.set_batch_size(128) .. py:method:: set_dense_slots(dense_slots_name) 指定slot经过设置后将变成密集的slot，仅在训练期间有效。 密集slot的特征将被输入一个Tensor，而稀疏slot的特征将被输入一个lodTensor 参数： - **dense_slots_name** : slot名称的列表，这些slot将被设置为密集的 **代码示例：** .. code-block:: python data_feed = fluid.DataFeedDesc('data.proto') data_feed.set_dense_slots(['words']) .. note:: 默认情况下，所有slot都是稀疏的 .. py:method:: set_use_slots(use_slots_name) 设置一个特定的slot是否用于训练。一个数据集包含了很多特征，通过这个函数可以选择哪些特征将用于指定的模型。 参数： - **use_slots_name** :将在训练中使用的slot名列表 **代码示例：** .. code-block:: python data_feed = fluid.DataFeedDesc('data.proto') data_feed.set_use_slots(['words']) .. note:: 默认值不用于所有slot .. py:method:: desc() 返回此DataFeedDesc的protobuf信息 返回：一个message字符串 **代码示例：** .. code-block:: python data_feed = fluid.DataFeedDesc('data.proto') print(data_feed.desc()) .. _cn_api_fluid_DataFeeder: DataFeeder ------------------------------- .. py:class:: paddle.fluid.DataFeeder(feed_list, place, program=None) ``DataFeeder`` 负责将reader(读取器)返回的数据转成一种特殊的数据结构，使它们可以输入到 ``Executor`` 和 ``ParallelExecutor`` 中。 reader通常返回一个minibatch条目列表。在列表中每一条目都是一个样本（sample）,它是由具有一至多个特征的列表或元组组成的。 以下是简单用法： .. code-block:: python place = fluid.CPUPlace() img = fluid.layers.data(name='image', shape=[1, 28, 28]) label = fluid.layers.data(name='label', shape=[1], dtype='int64') feeder = fluid.DataFeeder([img, label], fluid.CPUPlace()) result = feeder.feed([([0] * 784, [9]), ([1] * 784, [1])]) 在多GPU模型训练时，如果需要提前分别向各GPU输入数据，可以使用 ``decorate_reader`` 函数。 .. code-block:: python place=fluid.CUDAPlace(0) feeder = fluid.DataFeeder(place=place, feed_list=[data, label]) reader = feeder.decorate_reader( paddle.batch(flowers.train(), batch_size=16)) 参数： - **feed_list** (list) – 向模型输入的变量表或者变量表名 - **place** (Place) – place表明是向GPU还是CPU中输入数据。如果想向GPU中输入数据, 请使用 ``fluid.CUDAPlace(i)`` (i 代表 the GPU id)；如果向CPU中输入数据, 请使用 ``fluid.CPUPlace()`` - **program** (Program) – 需要向其中输入数据的Program。如果为None, 会默认使用 ``default_main_program()``。 缺省值为None 抛出异常: - ``ValueError`` – 如果一些变量不在此 Program 中 **代码示例** .. code-block:: python # ... place = fluid.CPUPlace() feed_list = [ main_program.global_block().var(var_name) for var_name in feed_vars_name ] # feed_vars_name 是一个由变量名组成的列表 feeder = fluid.DataFeeder(feed_list, place) for data in reader(): outs = exe.run(program=main_program, feed=feeder.feed(data)) .. py:method:: feed(iterable) 根据feed_list（数据输入表）和iterable（可遍历的数据）提供的信息，将输入数据转成一种特殊的数据结构，使它们可以输入到 ``Executor`` 和 ``ParallelExecutor`` 中。 参数: - **iterable** (list|tuple) – 要输入的数据 返回： 转换结果 返回类型: dict .. py:method:: feed_parallel(iterable, num_places=None) 该方法获取的多个minibatch，并把每个minibatch提前输入进各个设备中。 参数: - **iterable** (list|tuple) – 要输入的数据 - **num_places** (int) – 设备数目。默认为None。 返回: 转换结果 返回类型: dict .. note:: 设备（CPU或GPU）的数目必须等于minibatch的数目 .. py:method:: decorate_reader(reader, multi_devices, num_places=None, drop_last=True) 将reader返回的输入数据batch转换为多个mini-batch，之后每个mini-batch都会被输入进各个设备（CPU或GPU）中。 参数： - **reader** (fun) – 该参数是一个可以生成数据的函数 - **multi_devices** (bool) – bool型，指明是否使用多个设备 - **num_places** (int) – 如果 ``multi_devices`` 为 ``True`` , 可以使用此参数来设置GPU数目。如果 ``num_places`` 为 ``None`` ，该函数默认使用当前训练机所有GPU设备。默认为None。 - **drop_last** (bool) – 如果最后一个batch的大小比 ``batch_size`` 要小，则可使用该参数来指明是否选择丢弃最后一个batch数据。 默认为 ``True`` 返回：转换结果 返回类型: dict 抛出异常： ``ValueError`` – 如果 ``drop_last`` 值为False并且data batch与设备不匹配时，产生此异常 .. _cn_api_fluid_default_main_program: default_main_program ------------------------------- .. py:function:: paddle.fluid.default_main_program() 此函数用于获取默认或全局main program(主程序)。该主程序用于训练和测试模型。 ``fluid.layers`` 中的所有layer函数可以向 ``default_main_program`` 中添加operators（算子）和variables（变量）。 ``default_main_program`` 是fluid的许多编程接口（API）的Program参数的缺省值。例如,当用户program没有传入的时候， ``Executor.run()`` 会默认执行 ``default_main_program`` 。 返回： main program 返回类型: Program .. _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 program (启动程序)。 ``fluid.layers`` 中的layer函数会新建参数、readers(读取器)、NCCL句柄作为全局变量。 startup_program会使用内在的operators（算子）去初始化他们，并由layer函数将这些operators追加到startup program中。 该函数将返回默认的或当前的startup_program。用户可以使用 ``fluid.program_guard`` 去切换program。 返回: startup program 返回类型: Program .. _cn_api_fluid_DistributeTranspiler: DistributeTranspiler ------------------------------- .. py:class:: paddle.fluid.DistributeTranspiler (config=None) 该类可以把fluid program转变为分布式数据并行计算程序（distributed data-parallelism programs）,可以有Pserver和NCCL2两种模式。 当program在Pserver（全称：parameter server）模式下， ``main_program`` (主程序)转为使用一架远程parameter server(即pserver,参数服务器)来进行参数优化，并且优化图会被输入到一个pserver program中。 在NCCL2模式下，transpiler会在 ``startup_program`` 中附加一个 ``NCCL_ID`` 广播算子（broadcasting operators）来实现在该集群中所有工作结点共享 ``NCCL_ID`` 。 调用 ``transpile_nccl2`` 后， 你 **必须** 将 ``trainer_id`` , ``num_trainers`` 参数提供给 ``ParallelExecutor`` 来启动NCCL2分布式模式。 **代码示例** .. code-block:: python #pserver模式下 pserver_endpoints = "192.168.0.1:6174,192.168.0.2:6174" trainer_endpoints = "192.168.0.1:6174,192.168.0.2:6174" current_endpoint = "192.168.0.1:6174" trainer_id = 0 trainers = 4 role = os.getenv("PADDLE_TRAINING_ROLE") t = fluid.DistributeTranspiler() t.transpile( trainer_id, pservers=pserver_endpoints, trainers=trainers) if role == "PSERVER": pserver_program = t.get_pserver_program(current_endpoint) pserver_startup_program = t.get_startup_program(current_endpoint, pserver_program) elif role == "TRAINER": trainer_program = t.get_trainer_program() # nccl2模式下 config = fluid.DistributeTranspilerConfig() config.mode = "nccl2" t = fluid.DistributeTranspiler(config=config) t.transpile(trainer_id, workers=workers, current_endpoint=curr_ep) exe = fluid.ParallelExecutor( use_cuda, loss_name=loss_var.name, num_trainers=len(trainers.split(",)), trainer_id=trainer_id ) .. py:method:: transpile(trainer_id, program=None, pservers='127.0.0.1:6174', trainers=1, sync_mode=True, startup_program=None, current_endpoint='127.0.0.1:6174') 该方法可以运行该transpiler（转译器）。 参数: - **trainer_id** (int) – 当前Trainer worker的id, 如果有n个Trainer worker, id 取值范围为0 ~ n-1 - **program** (Program|None) – 待transpile（转译）的program, 缺省为 ``fluid.default_main_program()`` - **startup_program** (Program|None) - 要转译的 ``startup_program`` ,默认为 ``fluid.default_startup_program()`` - **pservers** (str) – 内容为Pserver列表的字符串，格式为：按逗号区分不同的Pserver，每个Pserver的格式为 *ip地址:端口号* - **trainers** (int|str) – 在Pserver模式下，该参数指Trainer机的个数；在nccl2模式下，它是一个内容为Trainer终端列表的字符串 - **sync_mode** (bool) – 是否做同步训练(synchronous training), 默认为True - **startup_program** (Program|None) – 待transpile（转译）的startup_program，默认为 ``fluid.default_main_program()`` - **current_endpoint** (str) – 当需要把program转译（transpile）至NCCL2模式下时，需要将当前endpoint（终端）传入该参数。Pserver模式不使用该参数 .. py:method:: get_trainer_program(wait_port=True) 该方法可以得到Trainer侧的program。 返回: Trainer侧的program 返回类型: Program .. py:method:: get_pserver_program(endpoint) 该方法可以得到Pserver（参数服务器）侧的程序 参数: - **endpoint** (str) – 当前Pserver终端 返回: 当前Pserver需要执行的program 返回类型: Program .. py:method:: get_pserver_programs(endpoint) 该方法可以得到Pserver侧用于分布式训练的 ``main_program`` 和 ``startup_program`` 。 参数: - **endpoint** (str) – 当前Pserver终端 返回: (main_program, startup_program), “Program”类型的元组 返回类型: tuple .. py:method:: get_startup_program(endpoint, pserver_program=None, startup_program=None) **该函数已停止使用** 获取当前Pserver的startup_program，如果有多个被分散到不同blocks的变量，则修改operator的输入变量。 参数: - **endpoint** (str) – 当前Pserver终端 - **pserver_program** (Program) – 已停止使用。 先调用get_pserver_program - **startup_program** (Program) – 已停止使用。应在初始化时传入startup_program 返回: Pserver侧的startup_program 返回类型: Program .. _cn_api_fluid_DistributeTranspilerConfig: DistributeTranspilerConfig ------------------------------- .. py:class:: paddle.fluid.DistributeTranspilerConfig .. py:attribute:: slice_var_up (bool) 为多个Pserver（parameter server）将tensor切片, 默认为True。 .. py:attribute:: split_method (PSDispatcher) 可使用 RoundRobin 或者 HashName。 注意: 尝试选择最佳方法来达到Pserver间负载均衡。 .. py:attribute:: min_block_size (int) block中分割(split)出的元素个数的最小值。 注意: 根据：`issuecomment-369912156 `_ , 当数据块大小超过2MB时，我们可以有效地使用带宽。如果你想更改它，请详细查看 ``slice_variable`` 函数。 .. _cn_api_fluid_ExecutionStrategy: ExecutionStrategy ------------------------------- .. py:class:: paddle.fluid.ExecutionStrategy ``ExecutionStrategy`` 允许用户更加精准地控制program在 ``ParallelExecutor`` 中的运行方式。可以通过在 ``ParallelExecutor`` 中设置本成员来实现。 **代码示例** .. code-block:: python exec_strategy = fluid.ExecutionStrategy() exec_strategy.num_threads = 4 train_exe = fluid.ParallelExecutor(use_cuda=True, loss_name=loss.name, exec_strategy=exec_strategy) train_loss, = train_exe.run([loss.name], feed=feed_dict) .. py:attribute:: allow_op_delay 这是一个bool类型成员，表示是否推迟communication operators(交流运算)的执行，这样做会使整体执行过程更快一些。但是在一些模型中，allow_op_delay会导致程序中断。默认为False。 .. py:attribute:: num_iteration_per_drop_scope int型成员。它表明了清空执行时产生的临时变量需要的程序执行重复次数。因为临时变量的形可能在两次重复过程中保持一致，所以它会使整体执行过程更快。默认值为100。 .. note:: 1. 如果在调用 ``run`` 方法时获取结果数据，``ParallelExecutor`` 会在当前程序重复执行尾部清空临时变量 2. 在一些NLP模型里，该成员会致使GPU内存不足。此时，你应减少 ``num_iteration_per_drop_scope`` 的值 .. py:attribute:: num_threads int型成员。它代表了线程池(thread pool)的大小。这些线程会被用来执行当前 ``ParallelExecutor`` 的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，但在不同的程序重复周期(iterations)中执行顺序可能不同。如果该成员没有被设置，则在 ``ParallelExecutor`` 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 ``ParallelExecutor`` 中有关于 :math:`CPU\_NUM` 的详细解释。如果没有设置 :math:`CPU\_NUM` ， ``ParallelExecutor`` 可以通过调用 ``multiprocessing.cpu_count()`` 获取CPU数目(cpu count)。默认值为0。 .. _cn_api_fluid_executor: Executor ------------------------------- .. py:class:: paddle.fluid.Executor (place) 执行引擎（Executor）使用python脚本驱动，仅支持在单GPU环境下运行。多卡环境下请参考 ``ParallelExecutor`` 。 Python Executor可以接收传入的program,并根据feed map(输入映射表)和fetch_list(结果获取表) 向program中添加feed operators(数据输入算子)和fetch operators（结果获取算子)。 feed map为该program提供输入数据。fetch_list提供program训练结束后用户预期的变量（或识别类场景中的命名）。 应注意，执行器会执行program中的所有算子而不仅仅是依赖于fetch_list的那部分。 Executor将全局变量存储到全局作用域中，并为临时变量创建局部作用域。 当每一mini-batch上的前向/反向运算完成后，局部作用域的内容将被废弃， 但全局作用域中的变量将在Executor的不同执行过程中一直存在。 program中所有的算子会按顺序执行。 **示例代码** .. code-block:: python # 新建一个执行引擎Executor名为exe。 place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace() exe = fluid.Executor(place) # 仅运行一次startup program. # 不需要优化/编译这个startup program. exe.run(fluid.default_startup_program()) # 无需编译，直接运行main program loss, = exe.run(fluid.default_main_program(), feed=feed_dict, fetch_list=[loss.name]) # 另一种方法是，编译这个main program然后运行. 参考CompiledProgram compiled_prog = compiler.CompiledProgram( fluid.default_main_program()).with_data_parallel( loss_name=loss.name) loss, = exe.run(compiled_prog, feed=feed_dict, fetch_list=[loss.name]) 参数: - **place** (core.CPUPlace|core.CUDAPlace(n)) – 指明了 ``Executor`` 的执行场所 提示：你可以用 ``Executor`` 来调试基于并行GPU实现的复杂网络，他们有完全一样的参数也会产生相同的结果。 .. py:method:: close() 关闭这个执行器(Executor)。调用这个方法后不可以再使用这个执行器。 对于分布式训练, 该函数会释放在PServers上涉及到目前训练器的资源。 **示例代码** .. code-block:: python cpu = core.CPUPlace() exe = Executor(cpu) ... 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) 调用该执行器对象的此方法可以执行program。通过feed map提供待学习数据，以及借助fetch_list得到相应的结果。 Python执行器(Executor)可以接收传入的program,并根据输入映射表(feed map)和结果获取表(fetch_list) 向program中添加数据输入算子(feed operators)和结果获取算子（fetch operators)。 feed map为该program提供输入数据。fetch_list提供program训练结束后用户预期的变量（或识别类场景中的命名）。 应注意，执行器会执行program中的所有算子而不仅仅是依赖于fetch_list的那部分。 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) - **feed** (dict) – 前向输入的变量，数据,词典dict类型, 例如 {“image”: ImageData, “label”: LabelData} - **fetch_list** (list) – 用户想得到的变量或者命名的列表, run会根据这个列表给与结果 - **feed_var_name** (str) – 前向算子(feed operator)变量的名称 - **fetch_var_name** (str) – 结果获取算子(fetch operator)的输出变量名称 - **scope** (Scope) – 执行这个program的域，用户可以指定不同的域。缺省为全局域 - **return_numpy** (bool) – 如果为True,则将结果张量（fetched tensor）转化为numpy - **use_program_cache** (bool) – 当program较上次比没有改动则将其置为True 返回: 根据fetch_list来获取结果 返回类型: list(numpy.array) **示例代码** .. code-block:: python data = layers.data(name='X', shape=[1], dtype='float32') hidden = layers.fc(input=data, size=10) layers.assign(hidden, out) loss = layers.mean(out) adam = fluid.optimizer.Adam() adam.minimize(loss) .. code-block:: python cpu = core.CPUPlace() exe = Executor(cpu) exe.run(default_startup_program()) .. code-block:: python x = numpy.random.random(size=(10, 1)).astype('float32') outs = exe.run( feed={'X': x}, fetch_list=[loss.name]) .. _cn_api_fluid_global_scope: global_scope ------------------------------- .. py:function:: paddle.fluid.global_scope() 获取全局/默认作用域实例。很多api使用默认 ``global_scope`` ，例如 ``Executor.run`` 。 返回：全局/默认作用域实例 返回类型：Scope .. _cn_api_fluid_LoDTensor: LoDTensor ------------------------------- .. py:class:: paddle.fluid.LoDTensor LoDTensor是一个具有LoD信息的张量(Tensor) ``np.array(lod_tensor)`` 可以将LoDTensor转换为numpy array。 ``lod_tensor.lod()`` 可以获得LoD信息。 LoD是多层序列（Level of Details）的缩写，通常用于不同长度的序列。如果您不需要了解LoD信息，可以跳过下面的注解。 举例: X 为 LoDTensor，它包含两个序列。第一个长度是2，第二个长度是3。 从Lod中可以计算出X的第一维度为5， 因为5=2+3， 说明X中有5个序列。在X中的每个序列中的每个元素有2列，因此X的shape为[5,2]。 :: x.lod = [[2, 3]] x.data = [[1, 2], [3, 4], // seq 1 [5, 6], [7, 8], [9, 10]] // seq 2 x.shape = [5, 2] LoD可以有多个level(例如，一个段落可以有多个句子，一个句子可以有多个单词)。下面的例子中，Y为LoDTensor ，lod_level为2。表示有2个序列，第一个序列的长度是2(有2个子序列)，第二个序列的长度是1。第一序列的两个子序列长度分别为2和2。第二个序列的子序列的长度是3。 :: y.lod = [[2 1], [2 2 3]] y.shape = [2+2+3, ...] .. note:: 在上面的描述中，LoD是基于长度的。在paddle内部实现中，lod是基于偏移的。因此,在内部,y.lod表示为[[0,2,3]，[0,2,4,7]](基于长度的Lod表示为为[[2-0,3-2]，[2-0,4-2,7-4]])。 可以将LoD理解为recursive_sequence_length（递归序列长度）。此时，LoD必须是基于长度的。由于历史原因。当LoD在API中被称为lod时，它可能是基于偏移的。用户应该注意。 .. py:method:: has_valid_recursive_sequence_lengths(self: paddle.fluid.core.LoDTensor) → bool 检查LoDTensor的lod值的正确性。 返回: 是否带有正确的lod值 返回类型: out (bool) .. py:method:: lod(self: paddle.fluid.core.LoDTensor) → List[List[int]] 得到LoD Tensor的LoD。 返回：LoD Tensor的LoD。 返回类型：out（List [List [int]]） .. py:method:: recursive_sequence_lengths(self: paddle.fluid.core.LoDTensor) → List[List[int]] 得到与LoD对应的LoDTensor的序列长度。 返回：LoD对应的一至多个序列长度。 返回类型：out（List [List [int]） .. py:method:: set_lod(self: paddle.fluid.core.LoDTensor, lod: List[List[int]]) → None 设置LoDTensor的LoD。 参数： - **lod** （List [List [int]]） - 要设置的lod。 .. py:method:: set_recursive_sequence_lengths(self: paddle.fluid.core.LoDTensor, recursive_sequence_lengths: List[List[int]]) → None 根据递归序列长度recursive_sequence_lengths设置LoDTensor的LoD。 :: 例如，如果recursive_sequence_lengths = [[2,3]]， 意味着有两个长度分别为2和3的序列，相应的lod将是[[0,2,2 + 3]]，即[[0， 2,5]]。 参数： - **recursive_sequence_lengths** （List [List [int]]） - 序列长度。 .. _cn_api_fluid_LoDTensorArray: LoDTensorArray ------------------------------- .. py:class:: paddle.fluid.LoDTensorArray .. py:method:: append(self: paddle.fluid.core.LoDTensorArray, tensor: paddle.fluid.core.LoDTensor) → None 将LoDensor追加到LoDTensorArray后。 .. _cn_api_fluid_memory_optimize: memory_optimize ------------------------------- .. py:function:: paddle.fluid.memory_optimize(input_program, skip_opt_set=None, print_log=False, level=0, skip_grads=False) 通过重用var内存来优化内存。 .. note:: 它不支持block中嵌套子block。 参数: - **input_program** (str) – 输入Program。 - **skip_opt_set** (set) – set中的vars将不被内存优化。 - **print_log** (bool) – 是否打印debug日志。 - **level** (int) 如果 level=0 并且shape是完全相等，则重用。 返回: None .. _cn_api_fluid_name_scope: name_scope ------------------------------- .. py:function:: paddle.fluid.name_scope(prefix=None) 为operators生成层次名称前缀 注意： 这个函数只能用于调试和可视化。不要将其用于分析，比如graph/program转换。 参数： - **prefix** (str) - 前缀 **示例代码** .. code-block:: python with name_scope("encoder"): ... with name_scope("decoder"): ... with name_scope("attention"): ... .. _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) ``ParallelExecutor`` 专门设计用来实现数据并行计算，着力于向不同结点(node)分配数据，并行地在不同结点中对数据进行操作。如果在GPU上使用该类运行程序，node则用来指代GPU， ``ParallelExecutor`` 也将自动获取在当前机器上可用的GPU资源。如果在CPU上进行操作，node则指代CPU，同时你也可以通过添加环境变量 ``CPU_NUM`` 来设置CPU设备的个数。例如，``CPU_NUM=4``。但是如果没有设置该环境变量，该类会调用 ``multiprocessing.cpu_count`` 来获取当前系统中CPU的个数。 参数: - **use_cuda** (bool) – 是否使用CUDA - **loss_name** (str) – 在训练阶段，必须提供loss function名称。默认为None - **main_program** (Program) – 需要执行的program。如果未提供， 那么将使用 ``default_main_program``。 默认为None - **share_vars_from** (ParallelExecutor) – 如果提供了该参数， 则该 ``ParallelExecutor`` 与指定的 ``ParallelExecutor`` 共享变量。默 认为空 - **exec_strategy** (ExecutionStrategy) – ``exec_strategy`` 用于调控program在 ``ParallelExecutor`` 中的执行方式，例如，执行该program需要的线程数, 释放在执行过程中产生的临时变量需要的重复(iterations)次数。 请参考 ``fluid.ExecutionStrategy`` 获取详细介绍。该参数默认为 None - **build_strategy** (BuildStrategy) – 设置成员 ``build_strategy`` 可以控制在 ``ParallelExecutor`` 中搭建SSA Graph的方式，例如， ``reduce_strategy`` ， ``gradient_scale_strategy`` 。 请参考 ``fluid.BuildStrategy`` 获取详细介绍。 该参数默认为None - **num_trainers** (int) – 如果该值大于1， NCCL将会通过多层级node的方式来初始化。每个node应有相同的GPU数目。 随之会启用分布式训练。该参数默认为1 - **trainer_id** (int) – 必须与 ``num_trainers`` 参数同时使用。``trainer_id`` 是当前所在node的 “rank”（层级），从0开始计数。该参数默认为0 - **scope** (Scope) – 指定执行program所在的作用域， 默认使用 ``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，将会弹出此异常 **代码示例** .. code-block:: python train_exe = fluid.ParallelExecutor(use_cuda=True, loss_name=loss.name) test_exe = fluid.ParallelExecutor(use_cuda=True, main_program=test_program, share_vars_from=train_exe) train_loss, = train_exe.run([loss.name], feed=feed_dict) test_loss, = test_exe.run([loss.name], feed=feed_dict) .. py:method:: run(fetch_list, feed=None, feed_dict=None, return_numpy=True) 使用 ``fetch_list`` 执行一个 ``ParallelExecutor`` 对象。 参数 ``feed`` 可以是 ``dict`` 或者 ``list`` 类型变量。如果该参数是 ``dict`` 类型，feed中的数据将会被分割(split)并分送给多个设备（CPU/GPU）。 反之，如果它是 ``list`` ，则列表中的各个元素都会直接分别被拷贝到各设备中。 例如，如果 ``feed`` 是个 ``dict`` 类型变量，则有 .. code-block:: python exe = ParallelExecutor() # 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 (24, 1, 28, 28)的图像 exe.run(feed={'image': numpy.random.random(size=(48, 1, 28, 28))}) 如果 ``feed`` 是个 ``list`` 类型变量，则有 .. code-block:: python exe = ParallelExecutor() # 各设备挨个处理列表中的每个元素 # 第一个设备处理形为 (48, 1, 28, 28) 的图像 # 第二个设备处理形为 (32, 1, 28, 28) 的图像 # # 使用 exe.device_count 得到设备数目 exe.run(feed=[{"image": numpy.random.random(size=(48, 1, 28, 28))}, {"image": numpy.random.random(size=(32, 1, 28, 28))}, ]) 参数： - **fetch_list** (list) – 获取的变量名列表 - **feed** (list|dict|None) – feed变量。 如果该参数是 ``dict`` 类型，feed中的数据将会被分割(split)并分送给多个设备（CPU/GPU）。反之，如果它是 ``list`` ，则列表中的各个元素都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。feed参数的别名, 为向后兼容而立。默认为None - **return_numpy** (bool) – 是否将fetched tensor转换为numpy。默认为True 返回： 获取的结果列表 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，弹出此异常 .. note:: 1. 如果feed参数为dict类型，那么传入 ``ParallelExecutor`` 的数据量 *必须* 大于可用的CPU核数或GPU卡数。否则，C++端将会抛出异常。应额外注意核对数据集的最后一个batch是否比可用的CPU核数或GPU卡数大。 2. 如果可用的CPU核数或GPU卡数大于一个，则为每个变量最后获取的结果都是list类型，且这个list中的每个元素都是各CPU核或GPU卡上的变量 **代码示例** .. code-block:: python pe = fluid.ParallelExecutor(use_cuda=use_cuda, loss_name=avg_cost.name, main_program=fluid.default_main_program()) loss = pe.run(feed=feeder.feed(cur_batch), fetch_list=[avg_cost.name])) .. _cn_api_fluid_ParamAttr: ParamAttr ------------------------------- .. py:class:: paddle.fluid.ParamAttr(name=None, initializer=None, learning_rate=1.0, regularizer=None, trainable=True, gradient_clip=None, do_model_average=False) 该类代表了参数的各种属性。 为了使神经网络训练过程更加流畅，用户可以根据需要调整参数属性。比如learning rate（学习率）, regularization（正则化）, trainable（可训练性）, do_model_average(平均化模型)和参数初始化方法. 参数: - **name** (str) – 参数名。默认为None。 - **initializer** (Initializer) – 初始化该参数的方法。 默认为None - **learning_rate** (float) – 参数的学习率。计算方法为 :math:`global\_lr*parameter\_lr∗scheduler\_factor` 。 默认为1.0 - **regularizer** (WeightDecayRegularizer) – 正则因子. 默认为None - **trainable** (bool) – 该参数是否可训练。默认为True - **gradient_clip** (BaseGradientClipAttr) – 减少参数梯度的方法。默认为None - **do_model_average** (bool) – 该参数是否服从模型平均值。默认为False **代码示例** .. code-block:: python w_param_attrs = fluid.ParamAttr(name="fc_weight", learning_rate=0.5, regularizer=fluid.L2Decay(1.0), trainable=True) y_predict = fluid.layers.fc(input=x, size=10, param_attr=w_param_attrs) .. _cn_api_fluid_Program: Program ------------------------------- .. py:class:: paddle.fluid.Program 创建python program， 在paddleFluid内部会被转换为ProgramDesc描述语言，用来创建一段 c++ 程序。Program像容器一样，是一种自包含的程序语言。Program中包括至少一个块（Block），当 block 中存在条件选择的控制流op（例如 while_op）时，该Program将会含有嵌套块（nested block）。详情请参阅framework.proto。 注意：默认情况下，paddleFluid内部默认含有 ``default_startup_program`` 和 ``default_main_program`` ，它们将共享参数。 ``default_startup_program`` 只运行一次来初始化参数， ``default_main_program`` 在每个mini batch中运行并调整权重。 返回： empty program **代码示例** .. code-block:: python main_program = fluid.Program() startup_program = fluid.Program() with fluid.program_guard(main_program=main_program, startup_program=startup_program): fluid.layers.data(name="x", shape=[-1, 784], dtype='float32') fluid.layers.data(name="y", shape=[-1, 1], dtype='int32') fluid.layers.fc(name="fc", shape=[10], dtype='float32', act="relu") .. py:attribute:: op_role operator的角色，值只能是枚举变量{Forward, Backward, Optimize}。 注意：这是一个底层API。它仅用于 ``ParallelExecutor`` 复制或调度operator到设备。 例如，Forward operator应该在每个设备上执行。Backward operator在每个设备上执行，并将后向传播的参数梯度(使用 ``op_role_var`` 获得该变量)合并到一个设备上。Optimize operator只在一个设备上执行，并向其他设备广播新的参数， .. py:attribute:: set_op_role operator的角色，值只能是枚举变量{Forward, Backward, Optimize}。 注意：这是一个底层API。它仅用于 ``ParallelExecutor`` 复制或调度operator到设备上执行。 例如，Forward operator应该在每个设备上执行。Backward operato应该在每个设备上执行，并将后向传播的参数梯度(使用op_role_var获得该变量)合并到一个设备上。Optimize operator只在一个设备上执行，并向其他设备广播新的参数 .. py:attribute:: op_role_var ``op_role`` 的辅助变量。 参考: ``Program.op_role`` 文档。 注意:这是一个底层API，用户不应该直接使用它。 .. py:attribute:: set_op_role_var ``op_role`` 的辅助变量。 参考: ``Program.op_role`` 文档。 注意:这是一个底层API。用户不应该直接使用它。 .. py:method:: to_string(throw_on_error, with_details=False) 用于debug 参数： - **throw_on_error** (bool): 没有设置任何必需的字段时，抛出值错误。 - **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：(str): debug 字符串 返回类型： str 抛出异常： - ``ValueError`` - 当 ``throw_on_error == true`` ，但没有设置任何必需的字段时，抛出 ``ValueError`` 。 .. py:method:: clone(for_test=False) 创建一个新的、相同的Program。 有些operator，在训练和测试之间的行为是不同的，比如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，该Program用于训练时，将 ``for_test`` 设置为False。 - 克隆Program，该Program用于测试时，将 ``for_test`` 设置为True。 注意:此API不会删除任何操作符。请在backward和optimization之前使用clone(for_test=True)。 **代码示例** .. code-block:: python test_program = fluid.default_main_program().clone(for_test=True) optimizer = fluid.optimizer.Momentum(learning_rate=0.01, momentum=0.9) optimizer.minimize() 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 返回：一个新的、相同的Program 返回类型:Program **代码示例** 1.克隆一个Program，示例代码如下： .. code-block:: python train_program = fluid.Program() startup_program = fluid.Program() with fluid.program_guard(train_program, startup_program): 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')) test_program = train_program.clone(for_test=True) sgd = fluid.optimizer.SGD(learning_rate=1e-3) with fluid.program_guard(train_program, startup_program): sgd.minimize(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 def network(is_test): 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, is_test=is_test) loss = fluid.layers.cross_entropy( input=fluid.layers.fc(hidden, size=10, act='softmax'), label=fluid.layers.data(name='label', shape=[1], dtype='int64')) return loss train_program = fluid.Program() startup_program = fluid.Program() test_program = fluid.Program() with fluid.program_guard(train_program, startup_program): with fluid.unique_name.guard(): loss = network(is_test=False) sgd = fluid.optimizer.SGD(learning_rate=1e-3) sgd.minimize(loss) # 不使用测试阶段的startup program with fluid.program_guard(test_program, fluid.Program()): with fluid.unique_name.guard(): loss = network(is_test=True) 上边两个代码片段生成的Program是一样的。 .. py:staticmethod:: parse_from_string(binary_str) 反序列化protobuf，转换成program 注意:在序列化和反序列化之后，所有关于参数的信息都会丢失。 参数: - **binary_str_type** (str) – prootbuf二进制字符串 返回: 反序列化后的ProgramDesc 返回类型：Program .. py:attribute:: num_blocks 该program中的block的个数 .. py:attribute:: random_seed 程序中随机运算符的默认随机种子。0意味着从随机设备中获取随机种子。 注意：必须在operator被添加之前设置。 .. py:method:: global_block() 获取该program的第一个block。 .. py:method:: block(index) 返回该program中 ， ``index`` 指定的block。 ``index`` 类型为int 返回：index对应的block 返回类型：Block .. py:method:: current_block() 获取当前block。当前block是用来添加operators。 .. 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 .. _cn_api_fluid_program_guard: program_guard ------------------------------- .. py:function:: paddle.fluid.program_guard(main_program, startup_program=None) 该函数应配合使用python的“with”语句来改变全局主程序(main program)和启动程序(startup program)。 “with”语句块中的layer函数将在新的main program（主程序）中添加operators（算子）和variables（变量）。 **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.layers.data(...) hidden = fluid.layers.fc(...) 需要注意的是，如果用户不需要构建自己的启动程序或者主程序，一个临时的program将会发挥作用。 **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 = ... 参数： - **main_program** (Program) – “with”语句中将使用的新的main program。 - **startup_program** (Program) – “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。 .. _cn_api_fluid_release_memory: release_memory ------------------------------- .. py:function:: paddle.fluid.release_memory(input_program, skip_opt_set=None) 该函数可以调整输入program，插入 ``delete_op`` 删除算子，提前删除不需要的变量。 改动是在变量本身上进行的。 **提醒**: 该API还在试验阶段，会在后期版本中删除。不建议用户使用。 参数: - **input_program** (Program) – 在此program中插入 ``delete_op`` - **skip_opt_set** (set) – 在内存优化时跳过的变量的集合 返回: None .. _cn_api_fluid_scope_guard: scope_guard ------------------------------- .. py:function:: paddle.fluid.scope_guard(scope) 修改全局/默认作用域（scope）, 运行时中的所有变量都将分配给新的scope。 参数： - **scope** - 新的全局/默认 scope。 **代码示例** .. code-block:: python import paddle.fluid as fluid new_scope = fluid.Scope() with fluid.scope_guard(new_scope): ... .. _cn_api_fluid_Tensor: Tensor ------------------------------- .. py:function:: paddle.fluid.Tensor ``LoDTensor`` 的别名 .. _cn_api_fluid_WeightNormParamAttr: WeightNormParamAttr ------------------------------- .. py:class:: paddle.fluid.WeightNormParamAttr(dim=None, name=None, initializer=None, learning_rate=1.0, regularizer=None, trainable=True, gradient_clip=None, do_model_average=False) 权重归一化。权重归一化是将权重向量的长度与其方向解耦。`Weight Normalization: A Simple Reparameterization to Accelerate Training of Deep Neural Networks `_ 这篇paper中讨论了权重归一化的实现 参数: - **dim** (list) - 参数的名称。默认None。 - **name** (str) - 参数的名称。默认None。 - **initializer** （initializer) - 初始化参数的方法。默认None。 - **learning_rate** (float) - 学习率。优化时学习速率 :math:`global\_lr∗parameter\_lr∗scheduler\_factor` 。默认1.0。 - **regularizer** (WeightDecayRegularizer) - 正则化因子。默认None。 - **trainable** (bool) - 参数是否可训练。默认True。 - **gradient_clip** (BaseGradientClipAttr) - 梯度下降裁剪（Gradient Clipping）的方法。默认None。 - **do_model_average** (bool) - 参数是否应该model average。默认False。 返回： empty program **代码示例** .. code-block:: python data = fluid.layers.data(name="data", shape=[3, 32, 32], dtype="float32") fc = fluid.layers.fc(input=data, size=1000, param_attr=WeightNormParamAttr( dim=None, name='weight_norm_param'))