## 输入/输出数据组织 这篇文档介绍在使用 PaddlePaddle C-API 时如何组织输入数据，以及如何解析神经网络前向计算的输出数据。 ### 输入/输出数据类型 在C-API中，按照基本数据类型在PaddlePaddle内部的定义和实现，输入数据可分为： 1. 一维整型数组 2. 二维浮点型矩阵 - 稠密矩阵 - 稀疏矩阵 - 说明： 1. 一维数组**仅支持整型值**； - 常用于自然语言处理任务，例如：表示词语在词典中的序号； - 分类任务中类别标签； 1. 逻辑上高于二维的数据（例如含有多个通道的图片，视频等）在程序实现中都会转化为二维矩阵，转化方法在相应的领域都有通用解决方案，需要使用者自己了解相关的转化表示方法； 1. 二维矩阵可以表示行向量和列向量，任何时候，如果需要浮点型数组（向量）时，都应使用C-API中的矩阵来表示，而不是C-API中的一维数组。 不论是一维整型数组还是二维浮点数矩阵，**为它们附加上序列信息，将变成序列输入。PaddlePaddle 会通过判数据是否附带有序列信息来判断一个向量/矩阵是否是一个序列**。关于什么是“序列信息”，下文会进行详细地介绍。 PaddlePaddle 支持两种序列类型： 1. 单层序列 - 序列中的每一个元素是非序列，是进行计算的基本单位，不可再进行拆分。 - 例如：自然语言中的句子是一个序列，序列中的元素是词语； 1. 双层序列 - 序列中的每一个元素又是一个序列。 - 例如：自然语言中的段落是一个双层序列；段落是有句子构成的序列；句子是由词语构成的序列。 - 双层序列在处理长序列的任务或是构建层级模型时会发挥作用。 ### 基本使用概念 - 在PaddlePaddle内部，神经网络中一个计算层的输入/输出被组织为一个 `Argument` 结构体，如果神经网络有多个输入或者多个输入，每一个输入/输入都会对应有自己的`Argument`。 - `Argument` 并不真正“存储”数据，而是将输入/输出信息有机地组织在一起。 - 在`Argument`内部由`IVector`（对应着上文提到的一维整型数组）和`Matrix`（对应着上文提到的二维浮点型矩阵）来实际存储数据；由 `sequence start position` (下文详细解释) 来记录输入/输出的序列信息。 **注意：这篇文档之后部分将会统一使用`argument`来特指PaddlePaddle中神经网络计算层一个输入/输出数据；使用`ivector`来特指PaddlePaddle中的一维整型数组；使用`matrix`来特指PaddlePaddle中的二维浮点型矩阵；使用`sequence_start_position`来特指PaddlePaddle中的序列信息。** 于是，在组织神经网络输入时，需要思考完成以下工作： 1. 为每一个输入/输出创建`argument`。 - C-API 中操作`argument`的接口请查看[argument.h](https://github.com/PaddlePaddle/Paddle/blob/develop/paddle/capi/arguments.h)。 1. 为每一个`argument`创建`matrix`或者`ivector`来存储数据。 - C-API 中操作`ivector`的接口请查看 [vector.h](https://github.com/PaddlePaddle/Paddle/blob/develop/paddle/capi/vector.h)。 - C-API 中操作`matrix`的接口请查看[matrix.h](https://github.com/PaddlePaddle/Paddle/blob/develop/paddle/capi/matrix.h)。 1. 如果输入是序列数据，需要创建并填写`sequence_start_position`信息。 - 通过调用 [`paddle_arguments_set_sequence_start_pos`](https://github.com/PaddlePaddle/Paddle/blob/develop/paddle/capi/arguments.h#L137) 来为一个`argument`添加序列信息； - 通过调用 [`paddle_arguments_get_sequence_start_pos`](https://github.com/PaddlePaddle/Paddle/blob/develop/paddle/capi/arguments.h#L150) 来读取一个`argument`添加序列信息； - 接口说明请查看 [argument.h](https://github.com/PaddlePaddle/Paddle/blob/develop/paddle/capi/arguments.h) 文件。 ### 组织非序列数据 - 一维整型数组 概念上可以将`paddle_ivector`理解为一个一维的整型数组，通常用于表示离散的类别标签，或是在自然语言处理任务中表示词语在字典中的序号。下面的代码片段创建了含有三个元素`1`、`2`、`3`的`paddle_ivector`。 ```cpp int ids[] = {1, 2, 3}; paddle_ivector ids_array = paddle_ivector_create(ids, sizeof(ids) / sizeof(int), false, false); CHECK(paddle_arguments_set_ids(in_args, 0, ids_array)); ``` - **稠密矩阵** - 一个$m×n$的稠密矩阵是一个由$m$行$n$列元素排列成的矩形阵列，矩阵里的元素是浮点数。对神经网络来说，矩阵的高度$m$是一次预测接受的样本数目，宽度$n$是神经网络定义时，`paddle.layer.data`的`size`。 - 下面的代码片段创建了一个高度为1，宽度为`layer_size`的稠密矩阵，矩阵中每个元素的值随机生成。 ```cpp paddle_matrix mat = paddle_matrix_create(/* height = batch size */ 1, /* width = dimensionality of the data layer */ layer_size, /* whether to use GPU */ false); paddle_real* array; // Get the pointer pointing to the start address of the first row of the // created matrix. CHECK(paddle_matrix_get_row(mat, 0, &array)); // Fill the matrix with a randomly generated test sample. srand(time(0)); for (int i = 0; i < layer_size; ++i) { array[i] = rand() / ((float)RAND_MAX); } // Assign the matrix to the argument. CHECK(paddle_arguments_set_value(in_args, 0, mat)); ``` - **稀疏矩阵** PaddlePaddle C-API 中 稀疏矩阵使用[CSR（Compressed Sparse Row Format）](https://en.wikipedia.org/wiki/Sparse_matrix#Compressed_sparse_row_(CSR,_CRS_or_Yale_format))格式存储。下图是CSR存储稀疏矩阵的示意图，在CSR表示方式中，通过（1）行偏移；（2）列号；（3）值；来决定矩阵的内容。


图1. CSR存储示意图.

在PaddlePaddle C-API中通过以下接口创建稀疏矩阵： ```cpp PD_API paddle_matrix paddle_matrix_create_sparse( uint64_t height, uint64_t width, uint64_t nnz, bool isBinary, bool useGpu); ``` 1. 创建稀疏矩阵时需要显示地指定矩阵的（1）高度（`height`，在神经网络中等于一次预测处理的样本数）（2）宽度（`width`，`paddle.layer.data`的`size`）以及（3）非零元个数（`nnz`）。 1. 当上述接口第4个参数`isBinary`指定为`true`时，**只需要设置行偏移（`row_offset`）和列号(`colum indices`)，不需要提供元素值（`values`）**，这时行偏移和列号指定的元素默认其值为1。 - 下面的代码片段创建了一个CPU上的二值稀疏矩阵： ```cpp paddle_matrix mat = paddle_matrix_create_sparse(1, layer_size, nnz, true, false); int colIndices[] = {9, 93, 109}; // layer_size here is greater than 109. int rowOffset[] = {0, sizeof(colIndices) / sizeof(int)}; CHECK(paddle_matrix_sparse_copy_from(mat, rowOffset, sizeof(rowOffset) / sizeof(int), colIndices, sizeof(colIndices) / sizeof(int), NULL /*values array is NULL.*/, 0 /*size of the value arrary is 0.*/)); CHECK(paddle_arguments_set_value(in_args, 0, mat)); ``` - 下面的代码片段在创建了一个CPU上的带元素值的稀疏矩阵： ```cpp paddle_matrix mat = paddle_matrix_create_sparse(1, layer_size, nnz, false, false); int colIndices[] = {9, 93, 109}; // layer_size here is greater than 109. int rowOffset[] = {0, sizeof(colIndices) / sizeof(int)}; float values[] = {0.5, 0.5, 0.5}; CHECK(paddle_matrix_sparse_copy_from(mat, rowOffset, sizeof(rowOffset) / sizeof(int), colIndices, sizeof(colIndices) / sizeof(int), values, sizeof(values) / sizeof(float))); ``` ### 组织序列数据 ### Python 端数据类型说明 下表列出了Python端训练接口暴露的数据类型（`paddle.layer.data`函数`type`字段的取值）对应于调用C-API时需要创建的数据类型： Python 端数据类型 | C-API 输入数据类型| :-------------: | :-------------: `paddle.data_type.integer_value` |一维整型数组，无需附加序列信息| `paddle.data_type.dense_vector` |二维浮点型稠密矩阵，无需附加序列信息| `paddle.data_type.sparse_binary_vector` |二维浮点型稀疏矩阵，无需提供非零元的值，默认为1，无需附加序列信息| `paddle.data_type.sparse_vector` |二维浮点型稀疏矩阵，需提供非零元的值，无需附加序列信息| `paddle.data_type.integer_value_sequence` |一维整型数组，需附加序列信息| `paddle.data_type.dense_vector_sequence` |二维浮点型稠密矩阵，需附加序列信息| `paddle.data_type.sparse_binary_vector_sequence` |二维浮点型稀疏矩阵，无需提供非零元的值，默认为1，需附加序列信息| `paddle.data_type.sparse_vector_sequence` |二维浮点型稀疏矩阵，需提供非零元的值，需附加序列信息| `paddle.data_type.integer_value_sub_sequence` |一维整型数组，需附加双层序列信息| `paddle.data_type.dense_vector_sub_sequence` |二维浮点型稠密矩阵，需附加双层序列信息| `paddle.data_type.sparse_binary_vector_sub_sequence` |二维浮点型稀疏矩阵，无需提供非零元的值，默认为1，需附加双层序列信息| `paddle.data_type.sparse_vector_sub_sequence` |二维浮点型稀疏矩阵，需提供非零元的值，需附加双层序列信息|