py_reader

查看属性与别名

API属性：声明式编程(静态图)专用API

paddle.fluid.layers.py_reader ( capacity, shapes, dtypes, lod_levels=None, name=None, use_double_buffer=True ) [源代码]

创建一个在Python端提供数据的reader

该OP返回一个Reader Variable。该Reader提供了 decorate_paddle_reader() 和 decorate_tensor_provider() 来设置Python generator作为数据源，将数据源中的数据feed到Reader Variable。在c++端调用 Executor::Run() 时，来自generator的数据将被自动读取。与 DataFeeder.feed() 不同，数据读取进程和 Executor::Run() 进程可以使用 py_reader 并行运行。在每次数据传递开始时调用reader的 start() ，在传递结束和抛出 fluid.core.EOFException 异常后执行 reset() 。

注意： Program.clone() （含义详见 Program ）不能克隆 py_reader ，且 read_file （ read_file 含义详见 read_file ）调用需在声明 py_reader 的program block内。

参数

  • capacity (int) – py_reader 维护的缓冲区的容量数据个数。
  • shapes (list|tuple) – 一个列表或元组，shapes[i]是代表第i个数据shape，因此shape[i]也是元组或列表。
  • dtypes (list|tuple) – 一个string的列表或元组。为 shapes 对应元素的数据类型，支持bool，float16，float32，float64，int8，int16，int32，int64，uint8。
  • lod_levels (list|tuple) – lod_level的整型列表或元组
  • name (str，可选) – 具体用法请参见 Name ，一般无需设置，默认值为None。
  • use_double_buffer (bool) – 是否使用双缓冲区，双缓冲区是为了预读下一个batch的数据、异步CPU -> GPU拷贝。默认值为True。

返回

reader，从reader中可以获取feed的数据，其dtype和feed的数据dtype相同。

返回类型

Variable

代码示例

1.py_reader 基本用法如下

  1. import paddle
  2. import paddle.fluid as fluid
  3. import paddle.dataset.mnist as mnist
  5. def network(image, label):
  6.     # 用户自定义网络，此处以softmax回归为例
  7.     predict = fluid.layers.fc(input=image, size=10, act='softmax')
  8.     return fluid.layers.cross_entropy(input=predict, label=label)
  10. reader = fluid.layers.py_reader(capacity=64,
  11.                                 shapes=[(-1,1, 28, 28), (-1,1)],
  12.                                 dtypes=['float32', 'int64'])
  13. reader.decorate_paddle_reader(
  14.     paddle.reader.shuffle(paddle.batch(mnist.train(), batch_size=5),
  15.                           buf_size=1000))
  17. img, label = fluid.layers.read_file(reader)
  18. loss = network(img, label) # 一些网络定义
  20. fluid.Executor(fluid.CUDAPlace(0)).run(fluid.default_startup_program())
  21. exe = fluid.ParallelExecutor(use_cuda=True, loss_name=loss.name)
  22. for epoch_id in range(10):
  23.     reader.start()
  24.         try:
  25.             while True:
  26.                 exe.run(fetch_list=[loss.name])
  27.         except fluid.core.EOFException:
  28.             reader.reset()
  30. fluid.io.save_inference_model(dirname='./model',
  31.                               feeded_var_names=[img.name, label.name],
  32.                               target_vars=[loss],
  33.                               executor=fluid.Executor(fluid.CUDAPlace(0)))

2.训练和测试应使用不同的名称创建两个不同的py_reader，例如：

  1. import paddle
  2. import paddle.fluid as fluid
  3. import paddle.dataset.mnist as mnist
  5. def network(reader):
  6.     img, label = fluid.layers.read_file(reader)
  7.     # 用户自定义网络，此处以softmax回归为例
  8.     predict = fluid.layers.fc(input=img, size=10, act='softmax')
  9.     loss = fluid.layers.cross_entropy(input=predict, label=label)
  10.     return fluid.layers.mean(loss)
  12. # 新建 train_main_prog 和 train_startup_prog
  13. train_main_prog = fluid.Program()
  14. train_startup_prog = fluid.Program()
  15. with fluid.program_guard(train_main_prog, train_startup_prog):
  16.     # 使用 fluid.unique_name.guard() 实现与test program的参数共享
  17.     with fluid.unique_name.guard():
  18.         train_reader = fluid.layers.py_reader(capacity=64,
  19.                                             shapes=[(-1, 1, 28, 28), (-1, 1)],
  20.                                             dtypes=['float32', 'int64'],
  21.                                             name='train_reader')
  22.         train_reader.decorate_paddle_reader(
  23.         paddle.reader.shuffle(paddle.batch(mnist.train(),
  24.                             batch_size=5),
  25.                             buf_size=500))
  26.         train_loss = network(train_reader) # 一些网络定义
  27.         adam = fluid.optimizer.Adam(learning_rate=0.01)
  28.         adam.minimize(train_loss)
  30. # Create test_main_prog and test_startup_prog
  31. test_main_prog = fluid.Program()
  32. test_startup_prog = fluid.Program()
  33. with fluid.program_guard(test_main_prog, test_startup_prog):
  34.     # 使用 fluid.unique_name.guard() 实现与train program的参数共享
  35.     with fluid.unique_name.guard():
  36.         test_reader = fluid.layers.py_reader(capacity=32,
  37.                                             shapes=[(-1, 1, 28, 28), (-1, 1)],
  38.                                             dtypes=['float32', 'int64'],
  39.                                             name='test_reader')
  40.         test_reader.decorate_paddle_reader(paddle.batch(mnist.test(), 512))
  41.         test_loss = network(test_reader)
  43. fluid.Executor(fluid.CUDAPlace(0)).run(train_startup_prog)
  44. fluid.Executor(fluid.CUDAPlace(0)).run(test_startup_prog)
  46. train_exe = fluid.ParallelExecutor(use_cuda=True,
  47.     loss_name=train_loss.name, main_program=train_main_prog)
  48. test_exe = fluid.ParallelExecutor(use_cuda=True,
  49.     loss_name=test_loss.name, main_program=test_main_prog)
  50. for epoch_id in range(10):
  51.     train_reader.start()
  52.     try:
  53.         while True:
  54.             train_exe.run(fetch_list=[train_loss.name])
  55.     except fluid.core.EOFException:
  56.         train_reader.reset()
  58. test_reader.start()
  59. try:
  60.     while True:
  61.         test_exe.run(fetch_list=[test_loss.name])
  62. except fluid.core.EOFException:
  63.     test_reader.reset()