============= API Reference ============= 基础API ------- 飞桨2.0提供了新的API，可以同时支持声明式和命令式两种开发模式，比如paddle.nn.Linear，避免在两种模式下使用不同的API造成困惑。原飞桨1.x的API位于paddle.fluid目录下，其中部分组网类的API，只能用于声明式开发，比如：fluid.layers.fc，无法用于命令式开发。 飞桨2.0对API的目录结构进行了调整，从原来的paddle.fluid目录调整到paddle目录下，使得开发接口更加清晰，调整后的目录结构如下： +---------------------+-----------------------------------------------------------------------------------------------------------+ | 目录 | 功能和包含API | +=====================+===========================================================================================================+ | paddle.\* | paddle根目录下保留了常用API的别名，当前包括：paddle.tensor, paddle.framework目录下的所有API | +---------------------+-----------------------------------------------------------------------------------------------------------+ | paddle.tensor | 跟tensor操作相关的API，比如：创建zeros, 矩阵运算matmul, 变换concat, 计算elementwise\_add, 查找argmax等 | +---------------------+-----------------------------------------------------------------------------------------------------------+ | paddle.nn | 跟组网相关的API，比如：输入占位符data/Input，控制流while\_loop/cond，损失函数，卷积，LSTM等，激活函数等 | +---------------------+-----------------------------------------------------------------------------------------------------------+ | paddle.framework | 基础框架相关的API，比如：Variable, Program, Executor等 | +---------------------+-----------------------------------------------------------------------------------------------------------+ | paddle.imperative | imprerative模式专用的API，比如：to\_variable, prepare\_context等 | +---------------------+-----------------------------------------------------------------------------------------------------------+ | paddle.optimizer | 优化算法相关API，比如：SGD，Adagrad, Adam等 | +---------------------+-----------------------------------------------------------------------------------------------------------+ | paddle.metric | 评估指标计算相关的API，比如：accuracy, cos\_sim等 | +---------------------+-----------------------------------------------------------------------------------------------------------+ | paddle.io | 数据输入输出相关API，比如：save, load, Dataset, DataLoader等 | +---------------------+-----------------------------------------------------------------------------------------------------------+ | paddle.device | 设备管理相关API，比如：CPUPlace， CUDAPlace等 | +---------------------+-----------------------------------------------------------------------------------------------------------+ | paddle.fleet | 分布式相关API | +---------------------+-----------------------------------------------------------------------------------------------------------+ 同时飞桨2.0对部分Paddle 1.x版本的API进行了清理，删除了部分不再推荐使用的API，具体信息请参考Release Note。 高层API ------- 使用飞桨进行深度学习任务的开发，整体过程包括数据处理、组网、训练、评估、模型导出、预测部署这些基本的操作。这些基本操作在不同的任务中会反复出现，使用基础API进行开发时，需要开发者重复地写这些基础操作的代码，增加了模型开发的工作量。高层API针对这些基础操作进行了封装，提供更高层的开发接口，开发者只需要关心数据处理和自定义组网，其他工作可以通过调用高层API来完成。在MNIST手写数字识别任务中，对比动态图基础API的实现方式，通过使用高层API可以减少80%的非组网类代码。 使用高层API的另外一个好处是，可以通过一行代码\ ``paddle.enable_imperative``\ ，切换命令式编程模式和声明式编程模式。在开发阶段，可以使用的命令式编程模式，方便调试；开发完成后，可以切换到声明式编程模式，加速训练和方便部署。兼具了命令式编程实时执行，容易调试的优点，以及声明式编程全局优化和容易部署的优点。 以下为高层API的一个基础示例 .. code:: python import numpy as np import paddle import paddle.nn.functional as F from paddle.incubate.hapi.model import Model, Input, Loss from paddle.incubate.hapi.loss import CrossEntropy #高层API的组网方式需要继承Model，Model类实现了模型执行所需的逻辑 class SimpleNet(Model): def __init__(self, in_size, out_size): super(SimpleNet, self).__init__() self._linear = paddle.nn.Linear(in_size, out_size) def forward(self, x): y = self._linear(x) z = self._linear(y) pred = F.softmax(z) return pred #兼容声明式开发模式，定义数据形状类型，如果不使用声明式编程模式，可以不定义数据占位符 inputs = [Input([None, 8], 'float32', name='image')] labels = [Input([None, 1], 'int64', name='labels')] #定义模型网络结构，包括指定损失函数和优化算法 model = SimpleNet(8, 8) optimizer = paddle.optimizer.AdamOptimizer(learning_rate=0.1, parameter_list=model.parameters()) model.prepare(optimizer, CrossEntropy(), None, inputs, labels, device='cpu') #切换执行模式 paddle.enable_imperative(paddle.CPUPlace()) #基于batch的训练 batch_num = 10 x = np.random.random((4, 8)).astype('float32') y = np.random.randint(0, 8, (4, 1)).astype('int64') for i in range(batch_num): model.train_batch(inputs=x, labels=y) 更多高层API开发的模型和示例请参考github Repo: `hapi `__ .. toctree:: :maxdepth: 1 ../api_guides/index_cn.rst paddle_cn.rst dataset_cn.rst tensor_cn.rst nn_cn.rst imperative_cn.rst declarative_cn.rst optimizer_cn.rst metric_cn.rst framework_cn.rst io_cn.rst utils_cn.rst incubate_cn.rst fluid_cn.rst backward_cn.rst clip_cn.rst data_cn/data_reader_cn.rst data_cn/dataset_cn.rst dataset_cn.rst distributed_cn.rst dygraph_cn.rst executor_cn.rst initializer_cn.rst io_cn.rst layers_cn.rst metrics_cn.rst nets_cn.rst optimizer_cn.rst profiler_cn.rst regularizer_cn.rst transpiler_cn.rst unique_name_cn.rst