TracedLayer

查看属性与别名

API属性：命令式编程模式(动态图)

class paddle.fluid.dygraph.TracedLayer ( program, parameters, feed_names, fetch_names ) [源代码]

TracedLayer用于将前向动态图模型转换为静态图模型，主要用于将动态图保存后做在线C++预测。除此以外，用户也可使用转换后的静态图模型在Python端做预测，通常比原先的动态图性能更好。

TracedLayer使用 Executor 和 CompiledProgram 运行静态图模型。转换后的静态图模型与原动态图模型共享参数。

所有的TracedLayer对象均不应通过构造函数创建，而应通过调用静态方法 TracedLayer.trace(layer, inputs) 创建。

TracedLayer只能用于将data independent的动态图模型转换为静态图模型，即待转换的动态图模型不应随tensor数据或维度的变化而变化。

方法

static trace(layer, inputs)

创建TracedLayer对象的唯一接口，该接口会调用 layer(*inputs) 方法运行动态图模型并将其转换为静态图模型。

参数

  • layer (dygraph.Layer) - 待追踪的动态图layer对象。
  • inputs (list(Variable)) - 动态图layer对象的输入变量列表。

返回

包含2个元素的tuple，其中第一个元素是 layer(*inputs) 的输出结果，第二个元素是转换后得到的TracedLayer对象。

返回类型

tuple

代码示例

  1. import paddle.fluid as fluid
  2. from paddle.fluid.dygraph import Linear, to_variable, TracedLayer
  3. import numpy as np
  5. class ExampleLayer(fluid.dygraph.Layer):
  6.     def __init__(self):
  7.         super(ExampleLayer, self).__init__()
  8.         self._fc = Linear(3, 10)
  10.     def forward(self, input):
  11.         return self._fc(input)
  13. with fluid.dygraph.guard():
  14.     layer = ExampleLayer()
  15.     in_np = np.random.random([2, 3]).astype('float32')
  16.     in_var = to_variable(in_np)
  17.     out_dygraph, static_layer = TracedLayer.trace(layer, inputs=[in_var])
  19.     # 内部使用Executor运行静态图模型
  20.     out_static_graph = static_layer([in_var])
  21.     print(len(out_static_graph)) # 1
  22.     print(out_static_graph[0].shape) # (2, 10)
  24.     # 将静态图模型保存为预测模型
  25.     static_layer.save_inference_model(dirname='./saved_infer_model')

set_strategy(build_strategy=None, exec_strategy=None)

设置构建和执行静态图模型的相关策略。

参数

  • build_strategy (BuildStrategy, 可选) - TracedLayer内部 CompiledProgram 的构建策略。
  • exec_strategy (ExecutionStrategy, 可选) - TracedLayer内部 CompiledProgram 的执行策略。

返回

无

代码示例

  1. import paddle.fluid as fluid
  2. from paddle.fluid.dygraph import Linear, to_variable, TracedLayer
  3. import numpy as np
  5. class ExampleLayer(fluid.dygraph.Layer):
  6.     def __init__(self):
  7.         super(ExampleLayer, self).__init__()
  8.         self._fc = Linear(3, 10)
  10.     def forward(self, input):
  11.         return self._fc(input)
  13. with fluid.dygraph.guard():
  14.     layer = ExampleLayer()
  15.     in_np = np.random.random([2, 3]).astype('float32')
  16.     in_var = to_variable(in_np)
  18.     out_dygraph, static_layer = TracedLayer.trace(layer, inputs=[in_var])
  20.     build_strategy = fluid.BuildStrategy()
  21.     build_strategy.enable_inplace = True
  23.     exec_strategy = fluid.ExecutionStrategy()
  24.     exec_strategy.num_threads = 2
  26.     static_layer.set_strategy(build_strategy=build_strategy, exec_strategy=exec_strategy)
  27.     out_static_graph = static_layer([in_var])

save_inference_model(dirname, feed=None, fetch=None)

将TracedLayer保存为用于预测部署的模型。保存的预测模型可被C++预测接口加载。

参数

  • dirname (str) - 预测模型的保存目录。
  • feed (list(int), 可选) - 预测模型输入变量的索引。若为None，则TracedLayer的所有输入变量均会作为预测模型的输入。默认值为None。
  • fetch (list(int), 可选) - 预测模型输出变量的索引。若为None，则TracedLayer的所有输出变量均会作为预测模型的输出。默认值为None。

返回

无

代码示例

  1. import paddle.fluid as fluid
  2. from paddle.fluid.dygraph import Linear, to_variable, TracedLayer
  3. import numpy as np
  5. class ExampleLayer(fluid.dygraph.Layer):
  6.     def __init__(self):
  7.         super(ExampleLayer, self).__init__()
  8.         self._fc = Linear(3, 10)
  10.     def forward(self, input):
  11.         return self._fc(input)
  13. save_dirname = './saved_infer_model'
  14. in_np = np.random.random([2, 3]).astype('float32')
  16. with fluid.dygraph.guard():
  17.     layer = ExampleLayer()
  18.     in_var = to_variable(in_np)
  19.     out_dygraph, static_layer = TracedLayer.trace(layer, inputs=[in_var])
  20.     static_layer.save_inference_model(save_dirname, feed=[0], fetch=[0])
  22. place = fluid.CPUPlace()
  23. exe = fluid.Executor(place)
  24. program, feed_vars, fetch_vars = fluid.io.load_inference_model(save_dirname,
  25.                                     exe)
  27. fetch, = exe.run(program, feed={feed_vars[0]: in_np}, fetch_list=fetch_vars)
  28. print(fetch.shape) # (2, 10)