Program

class paddle.static.Program [源代码]

注意：默认情况下，Paddle内部默认含有 default_startup_program 和 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 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

Program，创建的空的Program

代码示例

  1. import paddle
  2. import paddle.static as static
  4. paddle.enable_static()
  6. main_program = static.Program()
  7. startup_program = static.Program()
  8. with static.program_guard(main_program=main_program, startup_program=startup_program):
  9.     x = static.data(name="x", shape=[-1, 784], dtype='float32')
  10.     y = static.data(name="y", shape=[-1, 1], dtype='int32')
  11.     z = static.nn.fc(name="fc", x=x, size=10, activation="relu")
  13. print("main program is: {}".format(main_program))
  14. print("start up program is: {}".format(startup_program))

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

str，由Program转换得到的字符串

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
  2. import paddle.static as static
  4. paddle.enable_static()
  6. prog = static.default_main_program()
  7. x = static.data(name="X", shape=[2,3], dtype="float32")
  8. pred = static.nn.fc(x, size=3)
  9. prog_string = prog.to_string(throw_on_error=True, with_details=False)
  10. prog_string_with_details = prog.to_string(throw_on_error=False, with_details=True)
  11. print("program string without detail: {}".format(prog_string))
  12. print("program string with detail: {}".format(prog_string_with_details))

clone ( for_test=False )

注解

  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) 。

当 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
  2. import paddle.static as static
  4. paddle.enable_static()
  6. img = static.data(name='image', shape=[None, 784])
  7. pred = static.nn.fc(x=img, size=10, activation='relu')
  8. loss = paddle.mean(pred)
  9. # Here we use clone before Momentum
  10. test_program = static.default_main_program().clone(for_test=True)
  11. optimizer = paddle.optimizer.Momentum(learning_rate=0.01, momentum=0.9)
  12. 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

Program，当 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

代码示例

注解

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 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 six
  2. import paddle
  3. import paddle.static as static
  4. import paddle.utils as utils
  5. import paddle.nn.functional as F
  7. paddle.enable_static()
  9. def print_prog(prog):
  10.     for name, value in sorted(six.iteritems(prog.block(0).vars)):
  11.         print(value)
  12.     for op in prog.block(0).ops:
  13.         print("op type is {}".format(op.type))
  14.         print("op inputs are {}".format(op.input_arg_names))
  15.         print("op outputs are {}".format(op.output_arg_names))
  16.         for key, value in sorted(six.iteritems(op.all_attrs())):
  17.             if key not in ['op_callstack', 'op_role_var']:
  18.                 print(" [ attrs: {}:   {} ]".format(key, value))
  20. train_program = static.Program()
  21. startup_program = static.Program()
  23. # startup_program is used to do some parameter init work,
  24. # and main program is used to hold the network
  25. with static.program_guard(train_program, startup_program):
  26.     with utils.unique_name.guard():
  27.         img = static.data(name='image', shape=[None, 784])
  28.         hidden = static.nn.fc(x=img, size=200, activation='relu')
  29.         hidden = F.dropout(hidden, p=0.5)
  30.         loss = F.cross_entropy(
  31.             input=static.nn.fc(x=hidden, size=10, activation='softmax'),
  32.             label=static.data(name='label', shape=[1], dtype='int64'))
  33.         avg_loss = paddle.mean(loss)
  34.         test_program = train_program.clone(for_test=True)
  35. print_prog(test_program)
  37. # Due to parameter sharing usage for train and test, so we need to use startup program of train
  38. # instead of using test startup program, while nothing is in test's startup program
  40. # In Paddle we will share weights by using the same Tensor name. In train and test program
  41. # all parameters will have the same name and this can make train and test program sharing parameters,
  42. # that's why we need to use startup program of train. And for startup program of test, it has nothing,
  43. # since it is a new program.
  45. with static.program_guard(train_program, startup_program):
  46.     with utils.unique_name.guard():
  47.         sgd = paddle.optimizer.SGD(learning_rate=1e-3)
  48.         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 six
  2. import paddle
  3. import paddle.static as static
  4. import paddle.utils as utils
  5. import paddle.nn.functional as F
  7. paddle.enable_static()
  9. def print_prog(prog):
  10.     for name, value in sorted(six.iteritems(prog.block(0).vars)):
  11.         print(value)
  12.     for op in prog.block(0).ops:
  13.         print("op type is {}".format(op.type))
  14.         print("op inputs are {}".format(op.input_arg_names))
  15.         print("op outputs are {}".format(op.output_arg_names))
  16.         for key, value in sorted(six.iteritems(op.all_attrs())):
  17.             if key not in ['op_callstack', 'op_role_var']:
  18.                 print(" [ attrs: {}:   {} ]".format(key, value))
  20. def network():
  21.     img = static.data(name='image', shape=[None, 784])
  22.     hidden = static.nn.fc(x=img, size=200, activation='relu')
  23.     hidden = F.dropout(hidden, p=0.5)
  24.     loss = F.cross_entropy(
  25.         input=static.nn.fc(x=hidden, size=10, activation='softmax'),
  26.         label=static.data(name='label', shape=[1], dtype='int64'))
  27.     avg_loss = paddle.mean(loss)
  28.     return avg_loss
  30. train_program_2 = static.Program()
  31. startup_program_2 = static.Program()
  32. test_program_2 = static.Program()
  33. with static.program_guard(train_program_2, startup_program_2):
  34.     with utils.unique_name.guard():
  35.         avg_loss = network()
  36.         sgd = paddle.optimizer.SGD(learning_rate=1e-3)
  37.         sgd.minimize(avg_loss)
  38. # the test startup program is not used.
  39. with static.program_guard(test_program_2, startup_program_2):
  40.     with utils.unique_name.guard():
  41.         avg_loss = network()
  42. 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

Program，反序列化后的 Program

代码示例

  1. import paddle
  2. import paddle.static as static
  4. paddle.enable_static()
  6. startup_prog = static.Program()
  7. main_prog = static.Program()
  8. with static.program_guard(startup_prog, main_prog):
  9.     x = static.data(name='X', shape=[1000, 784], dtype='float32')
  11.     y = static.data(name='Y', shape=[784, 100], dtype='float32')
  13.     z = paddle.matmul(x=x, y=y)
  15.     binary_str = static.default_main_program().desc.serialize_to_string()
  16.     prog_restored = static.default_main_program().parse_from_string(binary_str)
  18.     print(static.default_main_program())
  19.     print(prog_restored)

num_blocks

该Program中的 Block 的个数

返回

int，该Program中的 Block 的个数

代码示例

  1. import paddle
  2. import paddle.static as static
  4. paddle.enable_static()
  6. prog = static.default_main_program()
  7. num_blocks = prog.num_blocks
  8. print(num_blocks)
  10. # print result:
  11. # 1

random_seed

注解

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

int64，该Program中当前正在使用的random seed

代码示例

  1. import paddle
  2. import paddle.static as static
  3. import paddle.nn.functional as F
  5. paddle.enable_static()
  7. prog = static.default_main_program()
  8. random_seed = prog.random_seed
  9. x_var = static.data(name="X", shape=[3,3], dtype="float32")
  10. print(random_seed)
  11. ## 0
  12. ## the default random seed is 0
  14. # Here we need to set random seed before we use paddle.nn.functional.dropout
  15. prog.random_seed = 1
  16. z_var = F.dropout(x_var, 0.7)
  18. print(prog.random_seed)
  19. ## 1
  20. ## the random seed is change to 1

global_block ( )

获取该Program的第一个 Block 。

返回

Block，该Program的第一个 Block

代码示例

  1. import paddle
  2. import paddle.static as static
  4. paddle.enable_static()
  6. prog = static.default_main_program()
  7. gb_block = prog.global_block()
  8. print(gb_block)

block ( index )

返回该Program中 ， index 指定的 Block 。 index 类型为int

参数

  • index (int) - 需要获取的 Block 的index

返回

Block，该Program中index对应的那个 Block

代码示例

  1. import paddle
  2. import paddle.static as static
  4. paddle.enable_static()
  6. prog = static.default_main_program()
  7. block_0 = prog.block(0)
  8. print(block_0)

current_block ( )

获取当前 Block 。当前 Block 是用来添加OP的。

返回

Block，该Program中用户当前所在的 Block

代码示例

  1. import paddle
  2. import paddle.static as static
  4. paddle.enable_static()
  6. prog = static.default_main_program()
  7. current_blk = prog.current_block()
  8. print(current_blk)

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

代码示例

  1. import paddle
  2. import paddle.static as static
  4. paddle.enable_static()
  6. prog = static.default_main_program()
  7. img = static.data(name='img', shape=[None, 1,28,28], dtype='float32')
  8. label = static.data(name='label', shape=[None,1], dtype='int64')
  9. for var in prog.list_vars():
  10.     print(var)
  12. # var img : paddle.VarType.LOD_TENSOR.shape(-1, 1, 28, 28).astype(VarType.FP32)
  13. # var label : paddle.VarType.LOD_TENSOR.shape(-1, 1).astype(VarType.INT64)

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

list[ 模型参数 ]，一个包含当前Program中所有参数的列表。

代码示例

  1. import paddle
  2. import paddle.static as static
  4. paddle.enable_static()
  6. program = static.default_main_program()
  7. data = static.data(name='x', shape=[None, 13], dtype='float32')
  8. hidden = static.nn.fc(x=data, size=10)
  9. loss = paddle.mean(hidden)
  10. paddle.optimizer.SGD(learning_rate=0.01).minimize(loss)
  12. for param in program.all_parameters():
  13.     print(param)
  15. # Here will print all parameters in current program, in this example,
  16. # the result is like:
  17. #
  18. # persist trainable param fc_0.w_0 : paddle.VarType.LOD_TENSOR.shape(13, 10).astype(VarType.FP32)
  19. # persist trainable param fc_0.b_0 : paddle.VarType.LOD_TENSOR.shape(10,).astype(VarType.FP32)
  20. #
  21. # Here print(param) will print out all the properties of a parameter,
  22. # including name, type and persistable, you can access to specific
  23. # property of a parameter, such as param.name, param.type