PaddlePaddle的Python预测接口¶

PaddlePaddle目前使用Swig对其常用的预测接口进行了封装，使在Python环境下的预测接口更加简单。在Python环境下预测结果，主要分为以下几个步骤。

读入解析训练配置
构造GradientMachine
准备数据
预测

典型的预测代码如下，使用mnist手写识别作为样例, 完整代码见 src_root/doc/ui/predict/predict_sample.py 。

from py_paddle import swig_paddle, DataProviderConverter
from paddle.trainer.PyDataProvider2 import dense_vector
from paddle.trainer.config_parser import parse_config

    0.988235, 0.988235, 0.552941, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.211765,
    0.878431, 0.988235, 0.992157, 0.701961, 0.329412, 0.109804, 0, 0, 0, 0, 0,
    0, 0, 0.698039, 0.988235, 0.913725, 0.145098, 0, 0, 0, 0, 0, 0, 0, 0, 0,
    0.188235, 0.890196, 0.988235, 0.988235, 0.745098, 0.047059, 0, 0, 0, 0, 0,
    0, 0, 0, 0, 0.882353, 0.988235, 0.568627, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.2,
    0.933333, 0.992157, 0.992157, 0.992157, 0.447059, 0.294118, 0, 0, 0, 0, 0,
    0, 0, 0, 0.447059, 0.992157, 0.768627, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
    0.623529, 0.988235, 0.988235, 0.988235, 0.988235, 0.992157, 0.47451, 0, 0,
    0, 0, 0, 0, 0, 0.188235, 0.933333, 0.87451, 0.509804, 0, 0, 0, 0, 0, 0, 0,
    0, 0, 0, 0.992157, 0.988235, 0.937255, 0.792157, 0.988235, 0.894118,
    0.082353, 0, 0, 0, 0, 0, 0, 0.027451, 0.647059, 0.992157, 0.654902, 0, 0, 0,
    0, 0, 0, 0, 0, 0, 0, 0, 0.623529, 0.988235, 0.913725, 0.329412, 0.376471,
    0.184314, 0, 0, 0, 0, 0, 0, 0.027451, 0.513725, 0.988235, 0.635294,
    0.219608, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.196078, 0.929412, 0.988235,
    0.988235, 0.741176, 0.309804, 0, 0, 0, 0, 0, 0, 0.529412, 0.988235,

主要的软件包为py_paddle.swig_paddle，这个软件包文档相对完善。可以使用python的 help() 函数查询文档。主要步骤为:

在程序开始阶段，使用 swig_paddle.initPaddle() 传入命令行参数初始化 PaddlePaddle。详细的命令行参数请参考命令行参数。
接下来使用 parse_config() 解析训练时的配置文件。这里要注意预测数据通常不包含label, 而且预测网络通常直接输出最后一层的结果而不是像训练时一样以cost layer作为输出，所以用于预测的配置文件要做相应的修改。
使用 swig_paddle.GradientMachine.createFromConfigproto() 根据上一步解析好的配置创建神经网络。
创建一个 DataProviderConverter 对象converter。
- swig_paddle接受的原始数据是C++的Matrix，也就是直接写内存的float数组。这个接口并不用户友好。所以，我们提供了一个工具类DataProviderConverter。这个工具类接收和PyDataProvider2一样的输入数据，详情请参考 PyDataProvider2文档。
最后使用 forwardTest() 直接提取出神经网络Output层的输出结果。典型的输出结果为:

[{'id': None, 'value': array([[  5.53018653e-09,   1.12194102e-05,   1.96644767e-09,
43630644e-02,   1.51111044e-13,   9.85625684e-01,
08823112e-10,   2.32777140e-08,   2.00186201e-09,
15501715e-08],
   [  9.99982715e-01,   1.27787406e-10,   1.72296313e-05,
49316648e-09,   1.36540484e-11,   6.93137714e-10,
70634608e-08,   3.48565123e-08,   5.25639710e-09,
48684503e-08]], dtype=float32)}]

其中，value即为softmax层的输出。由于数据是两条，所以输出的value包含两个向量。