Layer

class paddle.nn. Layer ( name_scope=None, dtype=’float32’ ) [源代码]

基于OOD实现的动态图Layer,包含该Layer的参数、前序运行的结构等信息。

参数:

  • name_scope (str,可选) - 为Layer内部参数命名而采用的名称前缀。如果前缀为“mylayer”,在一个类名为MyLayer的Layer中,参数名为“mylayer_0.w_n”,其中w是参数的名称,n为自动生成的具有唯一性的后缀。如果为None,前缀名将为小写的类名。默认值为None。

  • dtype (str可选) - Layer中参数数据类型。如果设置为str,则可以是“bool”,“float16”,“float32”,“float64”,“int8”,“int16”,“int32”,“int64”,“uint8”或“uint16”。默认值为 “float32”。

返回:无

train ( )

将此层及其所有子层设置为训练模式。这只会影响某些模块,如Dropout和BatchNorm。

返回:无

代码示例

  1. import paddle
  2. class MyLayer(paddle.nn.Layer):
  3. def __init__(self):
  4. super(MyLayer, self).__init__()
  5. self._linear = paddle.nn.Linear(1, 1)
  6. self._dropout = paddle.nn.Dropout(p=0.5)
  7. def forward(self, input):
  8. temp = self._linear(input)
  9. temp = self._dropout(temp)
  10. return temp
  11. x = paddle.randn([10, 1], 'float32')
  12. mylayer = MyLayer()
  13. mylayer.eval() # set mylayer._dropout to eval mode
  14. out = mylayer(x)
  15. mylayer.train() # set mylayer._dropout to train mode
  16. out = mylayer(x)

eval ( )

将此层及其所有子层设置为预测模式。这只会影响某些模块,如Dropout和BatchNorm。

返回:无

代码示例

  1. import paddle
  2. class MyLayer(paddle.nn.Layer):
  3. def __init__(self):
  4. super(MyLayer, self).__init__()
  5. self._linear = paddle.nn.Linear(1, 1)
  6. self._dropout = paddle.nn.Dropout(p=0.5)
  7. def forward(self, input):
  8. temp = self._linear(input)
  9. temp = self._dropout(temp)
  10. return temp
  11. x = paddle.randn([10, 1], 'float32')
  12. mylayer = MyLayer()
  13. mylayer.eval() # set mylayer._dropout to eval mode
  14. out = mylayer(x)
  15. print(out)

full_name ( )

Layer的全名。组成方式为: name_scope + “/” + MyLayer.class.name

返回:str, Layer的全名

代码示例

  1. import paddle
  2. class LinearNet(paddle.nn.Layer):
  3. def __init__(self):
  4. super(LinearNet, self).__init__(name_scope = "demo_linear_net")
  5. self._linear = paddle.nn.Linear(1, 1)
  6. def forward(self, x):
  7. return self._linear(x)
  8. linear_net = LinearNet()
  9. print(linear_net.full_name()) # demo_linear_net_0

register_forward_pre_hook ( hook )

为Layer注册一个 forward pre-hook 函数,该 hook 函数将会在 forward 函数调用之前被调用。

hook 函数具有以下形式:它的 inputLayerinput ,并且可以返回一个元组或者单个修改值;如果返回单个修改值,则将值包装到一个元组中。用户可以使用该函数来查看或修改 Layer forward 函数的输入。

hook(Layer, input) -> None or modified input

参数:

  • hook (function) - 被注册为 forward pre-hook 的函数

返回:HookRemoveHelper,可通过调用 hook_remove_helper.remove() 来删除注册的hook函数。

代码示例

  1. import paddle
  2. import numpy as np
  3. # the forward_post_hook change the input of the layer: input = input * 2
  4. def forward_pre_hook(layer, input):
  5. # user can use layer and input for information statistis tasks
  6. # change the input
  7. input_return = (input[0] * 2)
  8. return input_return
  9. linear = paddle.nn.Linear(13, 5)
  10. # register the hook
  11. forward_pre_hook_handle = linear.register_forward_pre_hook(forward_pre_hook)
  12. value0 = np.arange(26).reshape(2, 13).astype("float32")
  13. in0 = paddle.to_tensor(value0)
  14. out0 = linear(in0)
  15. # remove the hook
  16. forward_pre_hook_handle.remove()
  17. value1 = value0 * 2
  18. in1 = paddle.to_tensor(value1)
  19. out1 = linear(in1)
  20. # hook change the linear's input to input * 2, so out0 is equal to out1.
  21. assert (out0.numpy() == out1.numpy()).any()

register_forward_post_hook ( hook )

为Layer注册一个 forward post-hook 函数,该 hook 函数将会在 forward 函数调用之后被调用。

hook 函数具有以下形式,它的 inputoutputLayerinputoutput 。用户可以用该函数来查看和修改 Layer forward 函数的输出。

hook(Layer, input, output) -> None or modified output

参数:

  • hook (function) - 被注册为 forward post-hook 的函数

返回:HookRemoveHelper,可通过调用 hook_remove_helper.remove() 来删除注册的hook函数。

代码示例

  1. import paddle
  2. import numpy as np
  3. # the forward_post_hook change the output of the layer: output = output * 2
  4. def forward_post_hook(layer, input, output):
  5. # user can use layer, input and output for information statistis tasks
  6. # change the output
  7. return output * 2
  8. linear = paddle.nn.Linear(13, 5)
  9. # register the hook
  10. forward_post_hook_handle = linear.register_forward_post_hook(forward_post_hook)
  11. value1 = np.arange(26).reshape(2, 13).astype("float32")
  12. in1 = paddle.to_tensor(value1)
  13. out0 = linear(in1)
  14. # remove the hook
  15. forward_post_hook_handle.remove()
  16. out1 = linear(in1)
  17. # hook change the linear's output to output * 2, so out0 is equal to out1 * 2.
  18. assert (out0.numpy() == (out1.numpy()) * 2).any()

create_parameter ( shape, attr=None, dtype=’float32’, is_bias=False, default_initializer=None )

为Layer创建参数。

参数:

  • shape (list) - 参数的形状。列表中的数据类型必须为int。

  • attr (ParamAttr,可选) - 指定权重参数属性的对象,表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。默认值为None。

  • dtype (str|core.VarDesc.VarType, 可选) - Layer中参数数据类型。如果设置为str,则可以是“bool”,“float16”,“float32”,“float64”,“int8”,“int16”,“int32”,“int64”,“uint8”或“uint16”。默认值为“float32”。

  • is_bias (bool, 可选) - 是否是偏置参数。默认值:False。

  • default_initializer (Initializer, 可选) - 默认的参数初始化方法。如果设置为None,则设置非bias参数的初始化方式为 paddle.nn.initializer.Xavier ,设置bias参数的初始化方式为 paddle.nn.initializer.Constant 。默认值:None。

返回:Tensor, 创建的参数变量

代码示例

  1. import paddle
  2. class MyLayer(paddle.nn.Layer):
  3. def __init__(self):
  4. super(MyLayer, self).__init__()
  5. self._linear = paddle.nn.Linear(1, 1)
  6. w_tmp = self.create_parameter([1,1])
  7. self.add_parameter("w_tmp", w_tmp)
  8. def forward(self, input):
  9. return self._linear(input)
  10. mylayer = MyLayer()
  11. for name, param in mylayer.named_parameters():
  12. print(name, param) # will print w_tmp,_linear.weight,_linear.bias

create_variable ( name=None, persistable=None, dtype=None )

为Layer创建变量。

参数:

  • name (str, 可选) - 变量名。默认值:None。

  • persistable (bool, 可选) - 是否为持久性变量,后续会被移出。默认值:None。

  • dtype (str, 可选) - Layer中参数数据类型。如果设置为str,则可以是“bool”,“float16”,“float32”,“float64”,“int8”,“int16”,“int32”,“int64”,“uint8”或“uint16”。默认值为 “float32” 。

返回:Tensor, 返回创建的 Tensor

代码示例

  1. import paddle
  2. class MyLinear(paddle.nn.Layer):
  3. def __init__(self,
  4. in_features,
  5. out_features):
  6. super(MyLinear, self).__init__()
  7. self.linear = paddle.nn.Linear( 10, 10)
  8. self.back_var = self.create_variable(name = "linear_tmp_0", dtype=self._dtype)
  9. def forward(self, input):
  10. out = self.linear(input)
  11. paddle.assign( out, self.back_var)
  12. return out

create_tensor ( name=None, persistable=None, dtype=None )

为Layer创建变量。

参数:

  • name (str, 可选) - 变量名。默认值:None。

  • persistable (bool, 可选) - 是否为持久性变量,后续会被移出。默认值:None。

  • dtype (str, 可选) - Layer中参数数据类型。如果设置为str,则可以是“bool”,“float16”,“float32”,“float64”,“int8”,“int16”,“int32”,“int64”,“uint8”或“uint16”。默认值为 “float32” 。

返回:Tensor, 返回创建的 Tensor

代码示例

  1. import paddle
  2. class MyLinear(paddle.nn.Layer):
  3. def __init__(self,
  4. in_features,
  5. out_features):
  6. super(MyLinear, self).__init__()
  7. self.linear = paddle.nn.Linear( 10, 10)
  8. self.back_var = self.create_tensor(name = "linear_tmp_0", dtype=self._dtype)
  9. def forward(self, input):
  10. out = self.linear(input)
  11. paddle.assign( out, self.back_var)
  12. return out

parameters ( include_sublayers=True )

返回一个由当前层及其子层的所有参数组成的列表。

参数:

  • include_sublayers (bool, 可选) - 是否返回子层的参数。如果为True,返回的列表中包含子层的参数。默认值:True。

返回:list, 一个由当前层及其子层的所有参数组成的列表,列表中的元素类型为Parameter(Tensor)。

代码示例

  1. import paddle
  2. linear = paddle.nn.Linear(1,1)
  3. print(linear.parameters()) # print linear_0.w_0 and linear_0.b_0

children ( )

返回所有子层的迭代器。

返回:iterator, 子层的迭代器。

代码示例

  1. import paddle
  2. linear1 = paddle.nn.Linear(10, 3)
  3. linear2 = paddle.nn.Linear(3, 10, bias_attr=False)
  4. model = paddle.nn.Sequential(linear1, linear2)
  5. layer_list = list(model.children())
  6. print(layer_list) # [<paddle.nn.layer.common.Linear object at 0x7f7b8113f830>, <paddle.nn.layer.common.Linear object at 0x7f7b8113f950>]

named_children ( )

返回所有子层的迭代器,生成子层名称和子层的元组。

返回:iterator, 产出子层名称和子层的元组的迭代器。

代码示例

  1. import paddle
  2. linear1 = paddle.nn.Linear(10, 3)
  3. linear2 = paddle.nn.Linear(3, 10, bias_attr=False)
  4. model = paddle.nn.Sequential(linear1, linear2)
  5. for prefix, layer in model.named_children():
  6. print(prefix, layer)
  7. # ('0', <paddle.nn.layer.common.Linear object at 0x7fb61ed85830>)
  8. # ('1', <paddle.nn.layer.common.Linear object at 0x7fb61ed85950>)

sublayers ( include_self=False )

返回一个由所有子层组成的列表。

参数:

  • include_self (bool, 可选) - 是否包含本层。如果为True,则包括本层。默认值:False

返回: list, 一个由所有子层组成的列表,列表中的元素类型为Layer。

代码示例

  1. import paddle
  2. class MyLayer(paddle.nn.Layer):
  3. def __init__(self):
  4. super(MyLayer, self).__init__()
  5. self._linear = paddle.nn.Linear(1, 1)
  6. self._dropout = paddle.nn.Dropout(p=0.5)
  7. def forward(self, input):
  8. temp = self._linear(input)
  9. temp = self._dropout(temp)
  10. return temp
  11. mylayer = MyLayer()
  12. print(mylayer.sublayers()) # [<paddle.nn.layer.common.Linear object at 0x7f44b58977d0>, <paddle.nn.layer.common.Dropout object at 0x7f44b58978f0>]

clear_gradients ( )

清除该层所有参数的梯度。

返回:无

代码示例

  1. import paddle
  2. import numpy as np
  3. value = np.arange(26).reshape(2, 13).astype("float32")
  4. a = paddle.to_tensor(value)
  5. linear = paddle.nn.Linear(13, 5)
  6. adam = paddle.optimizer.Adam(learning_rate=0.01,
  7. parameters=linear.parameters())
  8. out = linear(a)
  9. out.backward()
  10. adam.step()
  11. linear.clear_gradients()

named_parameters ( prefix=’’, include_sublayers=True )

返回层中所有参数的迭代器,生成名称和参数的元组。

参数:

  • prefix (str, 可选) - 在所有参数名称前加的前缀。默认值:’’。

  • include_sublayers (bool, 可选) - 是否返回子层的参数。如果为True,返回的列表中包含子层的参数。默认值:True。

返回:iterator, 产出名称和参数的元组的迭代器。

代码示例

  1. import paddle
  2. fc1 = paddle.nn.Linear(10, 3)
  3. fc2 = paddle.nn.Linear(3, 10, bias_attr=False)
  4. model = paddle.nn.Sequential(fc1, fc2)
  5. for name, param in model.named_parameters():
  6. print(name, param)

named_sublayers ( prefix=’’, include_self=False, layers_set=None )

返回层中所有子层上的迭代器,生成名称和子层的元组。重复的子层只产生一次。

参数:

  • prefix (str, 可选) - 在所有参数名称前加的前缀。默认值:’’。

  • include_self (bool, 可选) - 是否包含该层自身。默认值:False。

  • layers_set (set, 可选): 记录重复子层的集合。默认值:None。

返回:iterator, 产出名称和子层的元组的迭代器。

代码示例

  1. import paddle
  2. fc1 = paddle.nn.Linear(10, 3)
  3. fc2 = paddle.nn.Linear(3, 10, bias_attr=False)
  4. model = paddle.nn.Sequential(fc1, fc2)
  5. for prefix, layer in model.named_sublayers():
  6. print(prefix, layer)

register_buffer ( name, tensor, persistable=True )

将一个Tensor注册为buffer。

buffer是一个不可训练的变量,不会被优化器更新,但在评估或预测阶段可能是必要的状态变量。比如 BatchNorm 中的均值和方差。

注册的buffer默认是可持久性的,会被保存到 state_dict 中。如果指定 persistable 参数为False,则会注册一个非持久性的buffer,即不会同步和保存到 state_dict 中。

参数:

  • name (str) - 注册buffer的名字。可以通过此名字来访问已注册的buffer。

  • tensor (Tensor) - 将被注册为buffer的变量。

  • persistable (bool, 可选) - 注册的buffer是否需要可持久性地保存到 state_dict 中。

返回:None

代码示例

  1. import numpy as np
  2. import paddle
  3. linear = paddle.nn.Linear(10, 3)
  4. value = np.array([0]).astype("float32")
  5. buffer = paddle.to_tensor(value)
  6. linear.register_buffer("buf_name", buffer, persistable=True)
  7. # get the buffer by attribute.
  8. print(linear.buf_name)

buffers ( include_sublayers=True )

返回一个由当前层及其子层的所有buffers组成的列表。

参数:

  • include_sublayers (bool, 可选) - 是否返回子层的buffers。如果为True,返回的列表中包含子层的buffers。默认值:True。

返回:list, 一个由当前层及其子层的所有buffers组成的列表,列表中的元素类型为Tensor。

代码示例

  1. import numpy as np
  2. import paddle
  3. linear = paddle.nn.Linear(10, 3)
  4. value = np.array([0]).astype("float32")
  5. buffer = paddle.to_tensor(value)
  6. linear.register_buffer("buf_name", buffer, persistable=True)
  7. print(linear.buffers()) # == print([linear.buf_name])

named_buffers ( prefix=’’, include_sublayers=True )

返回层中所有buffers的迭代器,生成名称和buffer的元组。

参数:

  • prefix (str, 可选) - 在所有buffer名称前加的前缀。默认值:’’。

  • include_sublayers (bool, 可选) - 是否返回子层的buffers。如果为True,返回的列表中包含子层的buffers。默认值:True。

返回:iterator, 产出名称和buffer的元组的迭代器。

代码示例

  1. import numpy as np
  2. import paddle
  3. fc1 = paddle.nn.Linear(10, 3)
  4. buffer1 = paddle.to_tensor(np.array([0]).astype("float32"))
  5. # register a tensor as buffer by specific `persistable`
  6. fc1.register_buffer("buf_name_1", buffer1, persistable=True)
  7. fc2 = paddle.nn.Linear(3, 10)
  8. buffer2 = paddle.to_tensor(np.array([1]).astype("float32"))
  9. # register a buffer by assigning an attribute with Tensor.
  10. # The `persistable` can only be False by this way.
  11. fc2.buf_name_2 = buffer2
  12. model = paddle.nn.Sequential(fc1, fc2)
  13. # get all named buffers
  14. for name, buffer in model.named_buffers():
  15. print(name, buffer)

forward ( inputs, kwargs* )

定义每次调用时执行的计算。应该被所有子类覆盖。

参数:

  • *inputs (tuple) - 解包后的tuple参数。

  • **kwargs (dict) - 解包后的dict参数。

返回: 无

add_sublayer ( name, sublayer )

添加子层实例。可以通过self.name访问该sublayer。

参数:

  • name (str) - 子层名。

  • sublayer (Layer) - Layer实例。

返回:Layer, 添加的子层

代码示例

  1. import paddle
  2. class MySequential(paddle.nn.Layer):
  3. def __init__(self, *layers):
  4. super(MySequential, self).__init__()
  5. if len(layers) > 0 and isinstance(layers[0], tuple):
  6. for name, layer in layers:
  7. self.add_sublayer(name, layer)
  8. else:
  9. for idx, layer in enumerate(layers):
  10. self.add_sublayer(str(idx), layer)
  11. def forward(self, input):
  12. for layer in self._sub_layers.values():
  13. input = layer(input)
  14. return input
  15. fc1 = paddle.nn.Linear(10, 3)
  16. fc2 = paddle.nn.Linear(3, 10, bias_attr=False)
  17. model = MySequential(fc1, fc2)
  18. for prefix, layer in model.named_sublayers():
  19. print(prefix, layer)

add_parameter ( name, parameter )

添加参数实例。可以通过self.name访问该parameter。

参数:

  • name (str) - 参数名。

  • parameter (Parameter) - Parameter实例。

返回:Parameter, 传入的参数实例

代码示例

  1. import paddle
  2. class MyLayer(paddle.nn.Layer):
  3. def __init__(self):
  4. super(MyLayer, self).__init__()
  5. self._linear = paddle.nn.Linear(1, 1)
  6. w_tmp = self.create_parameter([1,1])
  7. self.add_parameter("w_tmp", w_tmp)
  8. def forward(self, input):
  9. return self._linear(input)
  10. mylayer = MyLayer()
  11. for name, param in mylayer.named_parameters():
  12. print(name, param) # will print w_tmp,_linear.weight,_linear.bias

state_dict ( destination=None, include_sublayers=True )

获取当前层及其子层的所有参数和可持久性buffers。并将所有参数和buffers存放在dict结构中。

参数:

  • destination (dict, 可选) - 如果提供 destination ,则所有参数和可持久性buffers都将存放在 destination 中。 默认值:None。

  • include_sublayers (bool, 可选) - 如果设置为True,则包括子层的参数和buffers。默认值:True。

返回:dict, 包含所有参数和可持久行buffers的dict

代码示例

  1. import paddle
  2. emb = paddle.nn.Embedding(10, 10)
  3. state_dict = emb.state_dict()
  4. paddle.save( state_dict, "paddle_dy.pdparams")

set_state_dict ( state_dict, use_structured_name=True )

根据传入的 state_dict 设置参数和可持久性buffers。 所有参数和buffers将由 state_dict 中的 Tensor 设置。

参数:

  • state_dict (dict) - 包含所有参数和可持久性buffers的dict。

  • use_structured_name (bool, 可选) - 如果设置为True,将使用Layer的结构性变量名作为dict的key,否则将使用Parameter或者Buffer的变量名作为key。默认值:True。

返回:无

代码示例

  1. import paddle
  2. emb = paddle.nn.Embedding(10, 10)
  3. state_dict = emb.state_dict()
  4. paddle.save(state_dict, "paddle_dy.pdparams")
  5. para_state_dict = paddle.load("paddle_dy.pdparams")
  6. emb.set_state_dict(para_state_dict)

to ( device=None, dtype=None, blocking=None )

根据给定的device、dtype和blocking 转换 Layer中的parameters 和 buffers。

参数:

  • device (str|paddle.CPUPlace()|paddle.CUDAPlace()|paddle.CUDAPinnedPlace()|paddle.XPUPlace()|None, 可选) - 希望存储Layer 的设备位置。如果为None, 设备位置和原始的Tensor 的设备位置一致。如果设备位置是string 类型,取值可为 cpu, gpu:x and xpu:x ,这里的 x 是 GPUs 或者 XPUs的编号。默认值:None。

  • dtype (str|core.VarDesc.VarType|None, 可选) - 数据的类型。如果为None, 数据类型和原始的Tensor 一致。默认值:None。

  • blocking (bool|None, 可选)- 如果为False并且当前Tensor处于固定内存上,将会发生主机到设备端的异步拷贝。否则,会发生同步拷贝。如果为None,blocking 会被设置为True。默认为False。

代码示例

  1. import paddle
  2. linear=paddle.nn.Linear(2, 2)
  3. linear.weight
  4. #Parameter containing:
  5. #Tensor(shape=[2, 2], dtype=float32, place=CUDAPlace(0), stop_gradient=False,
  6. # [[-0.32770029, 0.38653070],
  7. # [ 0.46030545, 0.08158520]])
  8. linear.to(dtype='float64')
  9. linear.weight
  10. #Tenor(shape=[2, 2], dtype=float64, place=CUDAPlace(0), stop_gradient=False,
  11. # [[-0.32770029, 0.38653070],
  12. # [ 0.46030545, 0.08158520]])
  13. linear.to(device='cpu')
  14. linear.weight
  15. #Tensor(shape=[2, 2], dtype=float64, place=CPUPlace, stop_gradient=False,
  16. # [[-0.32770029, 0.38653070],
  17. # [ 0.46030545, 0.08158520]])
  18. linear.to(device=paddle.CUDAPinnedPlace(), blocking=False)
  19. linear.weight
  20. #Tensor(shape=[2, 2], dtype=float64, place=CUDAPinnedPlace, stop_gradient=False,
  21. # [[-0.04989364, -0.56889004],
  22. # [ 0.33960250, 0.96878713]])

使用本API的教程文档