Program

class paddle.fluid.Program[源代码]

注意:默认情况下,Paddle Fluid内部默认含有 default_startup_program default_main_program ,它们共享参数。 default_startup_program 只运行一次来初始化参数, default_main_program 在每个mini batch中运行并更新权重。

Program是Paddle Fluid对于计算图的一种静态描述,使用Program的构造函数可以创建一个Program。Program中包括至少一个 Block ,当 Block 中存在条件选择的控制流OP(例如 While 等)时,该Program将会含有嵌套着的 Block 即控制流外部的 Block 将包含着控制流内部的 Block ,而嵌套的 Block 的元素访问控制将由具体的控制流OP来决定。关于Program具体的结构和包含的类型请参阅 framework.proto

一个Program的集合通常包含初始化程序(startup_program)与主程序(main_program),初始化程序是一个包含一些初始化工作的Program,主程序将会包含用来训练的网络结构和变量,在使用同一个 执行引擎 执行时他们会共享初始化工作的结果,例如初始化的参数。一个Program的集合可以被用来测试或者训练,被用来训练时, Paddle Fluid 将会利用所有用户使用的OP和变量来搭建一个训练网络,被用来测试时, 可以通过调用Program相关的接口例如:clone 剪去一些与测试无关的OP和变量,比如反向传播的OP和变量。

返回

创建的空的Program

返回类型

Program

代码示例

  1. import paddle.fluid as fluid
  2. main_program = fluid.Program()
  3. startup_program = fluid.Program()
  4. with fluid.program_guard(main_program=main_program, startup_program=startup_program):
  5. x = fluid.layers.data(name="x", shape=[-1, 784], dtype='float32')
  6. y = fluid.layers.data(name="y", shape=[-1, 1], dtype='int32')
  7. z = fluid.layers.fc(name="fc", input=x, size=10, act="relu")
  8. # start_up program here will share fc's weight with main program
  9. print("main program is: {}".format(main_program))
  10. print("start up program is: {}".format(startup_program))

方法

to_string(throw_on_error, with_details=False)

将Program转换为字符串

参数

  • throw_on_error (bool) - 是否在没有设置必需字段时抛出异常。
  • 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

将Program转换为字符串

返回类型

str

抛出异常

ValueError - 当 throw_on_error == true ,当没有设置任何必需的字段时,抛出 ValueError

代码示例

  1. import paddle.fluid as fluid
  2. prog = fluid.default_main_program()
  3. x = fluid.layers.data(name="X", shape=[2,3], dtype="float32", append_batch_size=False)
  4. pred = fluid.layers.fc(x, size=3)
  5. prog_string = prog.to_string(throw_on_error=True, with_details=False)
  6. prog_string_with_details = prog.to_string(throw_on_error=False, with_details=True)
  7. print("program string without detail: {}".format(prog_string))
  8. print("program string with detail: {}".format(prog_string_with_details))

clone(for_test=False)

注意:

1. Program.clone() 方法不会克隆例如 DataLoader 这样的数据读取相关的部分,这可能会造成的数据读取部分在克隆后丢失

2. 此API当 for_test=True 时将会裁剪部分OP和变量。为防止错误的裁剪,推荐在 append_backward 和执行优化器之前使用 clone(for_test=True)

for_test=True 时创建一个新的、仅包含当前Program前向内容的Program。否则创建一个新的,和当前Program完全相同的Program

有些OP,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用于训练时,将 for_test 设置为False。
  • 克隆Program用于测试时,将 for_test 设置为True。虽然在这种情况下,如果在使用了优化器之后调用 clone 我们依旧会对Program当中反向执行以及优化器相关的内容进行自动裁剪,但是,我们强烈建议在使用优化器之前使用 clone 例如如果使用的是 Momentum 可以这样去使用:

代码示例

  1. import paddle.fluid as fluid
  2. img = fluid.layers.data(name='image', shape=[784])
  3. pred = fluid.layers.fc(input=img, size=10, act='relu')
  4. loss = fluid.layers.mean(pred)
  5. ## 我们推荐在使用 Optimizer前使用clone()接口
  6. test_program = fluid.default_main_program().clone(for_test=True)
  7. optimizer = fluid.optimizer.Momentum(learning_rate=0.01, momentum=0.9)
  8. optimizer.minimize(loss)

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, 并裁剪反向OP和参数优化OP,默认值为False

返回for_test=True 时返回一个新的、仅包含当前Program前向内容的Program。否则返回一个新的,和当前Program完全相同的Program

返回类型

Program

代码示例

注意,Program在clone后的顺序可能不同,这不会影响的训练或测试进程。在下面的示例中,我们提供了一个简单的方法print_prog(Program)来打印程序描述,以确保clone后仍能得到同样的打印结果:

  1. import paddle.fluid as fluid
  2. import six
  3. def print_prog(prog):
  4. for name, value in sorted(six.iteritems(prog.block(0).vars)):
  5. print(value)
  6. for op in prog.block(0).ops:
  7. print("op type is {}".format(op.type))
  8. print("op inputs are {}".format(op.input_arg_names))
  9. print("op outputs are {}".format(op.output_arg_names))
  10. for key, value in sorted(six.iteritems(op.all_attrs())):
  11. if key not in ['op_callstack', 'op_role_var']:
  12. print(" [ attrs: {}: {} ]".format(key, value))

1.克隆一个Program,示例代码如下。

  1. import paddle.fluid as fluid
  2. import six
  3. def print_prog(prog):
  4. for name, value in sorted(six.iteritems(prog.block(0).vars)):
  5. print(value)
  6. for op in prog.block(0).ops:
  7. print("op type is {}".format(op.type))
  8. print("op inputs are {}".format(op.input_arg_names))
  9. print("op outputs are {}".format(op.output_arg_names))
  10. for key, value in sorted(six.iteritems(op.all_attrs())):
  11. if key not in ['op_callstack', 'op_role_var']:
  12. print(" [ attrs: {}: {} ]".format(key, value))
  13. train_program = fluid.Program()
  14. startup_program = fluid.Program()
  15. # ``startup_program`` 被用来执行一些参数初始化工作
  16. # ``main_program`` 被用来容纳网络
  17. with fluid.program_guard(train_program, startup_program):
  18. with fluid.unique_name.guard():
  19. img = fluid.layers.data(name='image', shape=[784])
  20. hidden = fluid.layers.fc(input=img, size=200, act='relu')
  21. hidden = fluid.layers.dropout(hidden, dropout_prob=0.5)
  22. loss = fluid.layers.cross_entropy(
  23. input=fluid.layers.fc(hidden, size=10, act='softmax'),
  24. label=fluid.layers.data(name='label', shape=[1], dtype='int64'))
  25. avg_loss = fluid.layers.mean(loss)
  26. test_program = train_program.clone(for_test=True)
  27. print_prog(test_program)
  28. # 由于需要使训练和测试参数共享,我们需要使用训练的 ``startup_program``
  29. # 来代替测试用的 ``startup_program``, 尽管测试的 ``startup_program`` 里面什么也没有。
  30. # 在Paddle Fluid中我们会通过同样的变量名来共享权重.
  31. # 训练和测试程序的所有参数将会拥有同样的名字,这将会使训练和测试程序实现参数的共享,
  32. # 所以我们使用训练程序的 ``startup_program`` .并且由于测试的 ``startup_program`` 什么也没有,
  33. # 因此它是一个新的程序.
  34. with fluid.program_guard(train_program, startup_program):
  35. with fluid.unique_name.guard():
  36. sgd = fluid.optimizer.SGD(learning_rate=1e-3)
  37. sgd.minimize(avg_loss)

2.如果分别运行 train Program 和 test Program,则可以不使用clone。

  1. import paddle.fluid as fluid
  2. import six
  3. def print_prog(prog):
  4. for name, value in sorted(six.iteritems(prog.block(0).vars)):
  5. print(value)
  6. for op in prog.block(0).ops:
  7. print("op type is {}".format(op.type))
  8. print("op inputs are {}".format(op.input_arg_names))
  9. print("op outputs are {}".format(op.output_arg_names))
  10. for key, value in sorted(six.iteritems(op.all_attrs())):
  11. if key not in ['op_callstack', 'op_role_var']:
  12. print(" [ attrs: {}: {} ]".format(key, value))
  13. def network():
  14. img = fluid.layers.data(name='image', shape=[784])
  15. hidden = fluid.layers.fc(input=img, size=200, act='relu')
  16. hidden = fluid.layers.dropout(hidden, dropout_prob=0.5)
  17. loss = fluid.layers.cross_entropy(
  18. input=fluid.layers.fc(hidden, size=10, act='softmax'),
  19. label=fluid.layers.data(name='label', shape=[1], dtype='int64'))
  20. avg_loss = fluid.layers.mean(loss)
  21. return avg_loss
  22. train_program_2 = fluid.Program()
  23. startup_program_2 = fluid.Program()
  24. test_program_2 = fluid.Program()
  25. with fluid.program_guard(train_program_2, startup_program_2):
  26. with fluid.unique_name.guard():
  27. avg_loss = network()
  28. sgd = fluid.optimizer.SGD(learning_rate=1e-3)
  29. sgd.minimize(avg_loss)
  30. # 不使用测试阶段的启动程序
  31. with fluid.program_guard(test_program_2, startup_program_2):
  32. with fluid.unique_name.guard():
  33. avg_loss = network()
  34. print_prog(test_program_2)

上边两个代码片段生成和打印的Program是一样的。

static parse_from_string(binary_str)

通过对 protobuf 的反序列化,转换成Program

参数

  • binary_str_type (str) – protobuf 二进制字符串

返回 反序列化后的 Program

返回类型 Program

代码示例

  1. import paddle.fluid as fluid
  2. startup_prog = fluid.Program()
  3. main_prog = fluid.Program()
  4. with fluid.program_guard(startup_prog, main_prog):
  5. x = fluid.layers.data(
  6. name='X', shape=[1000, 784], dtype='float32', append_batch_size=False)
  7. y = fluid.layers.data(
  8. name='Y', shape=[784, 100], dtype='float32', append_batch_size=False)
  9. z = fluid.layers.mul(x=x, y=y)
  10. binary_str = fluid.default_main_program().desc.serialize_to_string()
  11. prog_restored = fluid.default_main_program().parse_from_string(binary_str)
  12. print(fluid.default_main_program())
  13. print(prog_restored)
  14. # 这里打印出的两个Program应该是一模一样的

属性

num_blocks

该Program中的 Block 的个数

返回

该Program中的 Block 的个数

返回类型 int

代码示例

  1. import paddle.fluid as fluid
  2. prog = fluid.default_main_program()
  3. num_blocks = prog.num_blocks
  4. print(num_blocks)
  5. ## 1
  6. ## 当前Program中只有一个Block,即全局的Block

random_seed

注意:必须在相关OP被添加之前设置。

程序中随机运算符的默认随机种子。0意味着随机生成随机种子。

返回 该Program中当前正在使用的random seed

返回类型 int64

代码示例

  1. import paddle.fluid as fluid
  2. prog = fluid.default_main_program()
  3. random_seed = prog.random_seed
  4. x_var = fluid.layers.data(name="X", shape=[3,3], dtype="float32", append_batch_size=False)
  5. print(random_seed)
  6. ## 0
  7. ## 默认的random seed是 0
  8. # 这里我们必须要在fluid.layers.dropout之前设置random_seed
  9. prog.random_seed = 1
  10. z_var = fluid.layers.dropout(x_var, 0.7)
  11. print(prog.random_seed)
  12. ## 1
  13. ## 修改后random seed变成了 1

global_block()

获取该Program的第一个 Block

返回 该Program的第一个 Block

返回类型 Block

代码示例

  1. import paddle.fluid as fluid
  2. prog = fluid.default_main_program()
  3. gb_block = prog.global_block()
  4. print(gb_block)
  5. ##
  6. ## idx: 0
  7. ## parent_idx: -1
  8. ## 打印出了当前全局Block的描述

block(index)

返回该Program中 , index 指定的 Blockindex 类型为int

参数

  • index (int) - 需要获取的 Block 的index

返回

该Program中index对应的那个 Block

返回类型

Block

代码示例

  1. import paddle.fluid as fluid
  2. prog = fluid.default_main_program()
  3. block_0 = prog.block(0)
  4. print(block_0)
  5. ##
  6. ## idx: 0
  7. ## parent_idx: -1
  8. ## 打印出了0号Block的描述

current_block()

获取当前 Block 。当前 Block 是用来添加OP的。

返回

该Program中用户当前所在的 Block

返回类型

Block

代码示例

  1. import paddle.fluid as fluid
  2. prog = fluid.default_main_program()
  3. current_blk = prog.current_block()
  4. print(current_blk)
  5. ##
  6. ## idx: 0
  7. ## parent_idx: -1
  8. ## 打印出了当前Block的描述

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 的 Variable

代码示例

  1. import paddle.fluid as fluid
  2. prog = fluid.default_main_program()
  3. img = fluid.layers.data(name='img', shape=[1,28,28], dtype='float32')
  4. label = fluid.layers.data(name='label', shape=[128,1], dtype='int64')
  5. for var in prog.list_vars():
  6. print(var)
  7. # 这里将会打印出当前Program中所有的Variable

all_parameters()

获取当前Program中所有的 模型参数 。返回值是一个列表。

返回

一个包含当前Program中所有参数的列表。

返回类型

list[ 模型参数 ]

代码示例

  1. import paddle.fluid as fluid
  2. program = fluid.default_main_program()
  3. data = fluid.data(name='x', shape=[None, 13], dtype='float32')
  4. hidden = fluid.layers.fc(input=data, size=10)
  5. loss = fluid.layers.mean(hidden)
  6. fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
  7. for param in program.all_parameters():
  8. print(param)
  9. # 这里将会打印出当前Program中所有的Parameters,在本例中,输出结果是:
  10. #
  11. # name: "fc_0.w_0"
  12. # type {
  13. # type: LOD_TENSOR
  14. # lod_tensor {
  15. # tensor {
  16. # data_type: FP32
  17. # dims: 13
  18. # dims: 10
  19. # }
  20. # }
  21. # }
  22. #
  23. # persistable: true
  24. # name: "fc_0.b_0"
  25. # type {
  26. # type: LOD_TENSOR
  27. # lod_tensor {
  28. # tensor {
  29. # data_type: FP32
  30. # dims: 10
  31. # }
  32. # }
  33. # }
  34. # persistable: true
  35. #
  36. # 这里print(param)将会打印出一个参数所有的属性,包括name,type和persistable,
  37. # 你可以访问一个参数的指定属性,例如param.name,param.type