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
import paddle
class MyLayer(paddle.nn.Layer):
def __init__(self):
super(MyLayer, self).__init__()
self._linear = paddle.nn.Linear(1, 1)
self._dropout = paddle.nn.Dropout(p=0.5)
def forward(self, input):
temp = self._linear(input)
temp = self._dropout(temp)
return temp
x = paddle.randn([10, 1], 'float32')
mylayer = MyLayer()
mylayer.eval() # set mylayer._dropout to eval mode
out = mylayer(x)
mylayer.train() # set mylayer._dropout to train mode
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
import paddle
class MyLayer(paddle.nn.Layer):
def __init__(self):
super(MyLayer, self).__init__()
self._linear = paddle.nn.Linear(1, 1)
self._dropout = paddle.nn.Dropout(p=0.5)
def forward(self, input):
temp = self._linear(input)
temp = self._dropout(temp)
return temp
x = paddle.randn([10, 1], 'float32')
mylayer = MyLayer()
mylayer.eval() # set mylayer._dropout to eval mode
out = mylayer(x)
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
import paddle
class LinearNet(paddle.nn.Layer):
def __init__(self):
super(LinearNet, self).__init__(name_scope = "demo_linear_net")
self._linear = paddle.nn.Linear(1, 1)
def forward(self, x):
return self._linear(x)
linear_net = LinearNet()
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 input
是 Layer
的 input
,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
import paddle
import numpy as np
# the forward_post_hook change the input of the layer: input = input * 2
def forward_pre_hook(layer, input):
# user can use layer and input for information statistis tasks
# change the input
input_return = (input[0] * 2)
return input_return
linear = paddle.nn.Linear(13, 5)
# register the hook
forward_pre_hook_handle = linear.register_forward_pre_hook(forward_pre_hook)
value0 = np.arange(26).reshape(2, 13).astype("float32")
in0 = paddle.to_tensor(value0)
out0 = linear(in0)
# remove the hook
forward_pre_hook_handle.remove()
value1 = value0 * 2
in1 = paddle.to_tensor(value1)
out1 = linear(in1)
# hook change the linear's input to input * 2, so out0 is equal to out1.
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 input
和 output
是 Layer
的 input
和 output
。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
import paddle
import numpy as np
# the forward_post_hook change the output of the layer: output = output * 2
def forward_post_hook(layer, input, output):
# user can use layer, input and output for information statistis tasks
# change the output
return output * 2
linear = paddle.nn.Linear(13, 5)
# register the hook
forward_post_hook_handle = linear.register_forward_post_hook(forward_post_hook)
value1 = np.arange(26).reshape(2, 13).astype("float32")
in1 = paddle.to_tensor(value1)
out0 = linear(in1)
# remove the hook
forward_post_hook_handle.remove()
out1 = linear(in1)
# hook change the linear's output to output * 2, so out0 is equal to out1 * 2.
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
import paddle
class MyLayer(paddle.nn.Layer):
def __init__(self):
super(MyLayer, self).__init__()
self._linear = paddle.nn.Linear(1, 1)
w_tmp = self.create_parameter([1,1])
self.add_parameter("w_tmp", w_tmp)
def forward(self, input):
return self._linear(input)
mylayer = MyLayer()
for name, param in mylayer.named_parameters():
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
import paddle
class MyLinear(paddle.nn.Layer):
def __init__(self,
in_features,
out_features):
super(MyLinear, self).__init__()
self.linear = paddle.nn.Linear( 10, 10)
self.back_var = self.create_variable(name = "linear_tmp_0", dtype=self._dtype)
def forward(self, input):
out = self.linear(input)
paddle.assign( out, self.back_var)
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
import paddle
class MyLinear(paddle.nn.Layer):
def __init__(self,
in_features,
out_features):
super(MyLinear, self).__init__()
self.linear = paddle.nn.Linear( 10, 10)
self.back_var = self.create_tensor(name = "linear_tmp_0", dtype=self._dtype)
def forward(self, input):
out = self.linear(input)
paddle.assign( out, self.back_var)
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
import paddle
linear = paddle.nn.Linear(1,1)
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
import paddle
linear1 = paddle.nn.Linear(10, 3)
linear2 = paddle.nn.Linear(3, 10, bias_attr=False)
model = paddle.nn.Sequential(linear1, linear2)
layer_list = list(model.children())
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
import paddle
linear1 = paddle.nn.Linear(10, 3)
linear2 = paddle.nn.Linear(3, 10, bias_attr=False)
model = paddle.nn.Sequential(linear1, linear2)
for prefix, layer in model.named_children():
print(prefix, layer)
# ('0', <paddle.nn.layer.common.Linear object at 0x7fb61ed85830>)
# ('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
import paddle
class MyLayer(paddle.nn.Layer):
def __init__(self):
super(MyLayer, self).__init__()
self._linear = paddle.nn.Linear(1, 1)
self._dropout = paddle.nn.Dropout(p=0.5)
def forward(self, input):
temp = self._linear(input)
temp = self._dropout(temp)
return temp
mylayer = MyLayer()
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
import paddle
import numpy as np
value = np.arange(26).reshape(2, 13).astype("float32")
a = paddle.to_tensor(value)
linear = paddle.nn.Linear(13, 5)
adam = paddle.optimizer.Adam(learning_rate=0.01,
parameters=linear.parameters())
out = linear(a)
out.backward()
adam.step()
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
import paddle
fc1 = paddle.nn.Linear(10, 3)
fc2 = paddle.nn.Linear(3, 10, bias_attr=False)
model = paddle.nn.Sequential(fc1, fc2)
for name, param in model.named_parameters():
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
import paddle
fc1 = paddle.nn.Linear(10, 3)
fc2 = paddle.nn.Linear(3, 10, bias_attr=False)
model = paddle.nn.Sequential(fc1, fc2)
for prefix, layer in model.named_sublayers():
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
import numpy as np
import paddle
linear = paddle.nn.Linear(10, 3)
value = np.array([0]).astype("float32")
buffer = paddle.to_tensor(value)
linear.register_buffer("buf_name", buffer, persistable=True)
# get the buffer by attribute.
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
import numpy as np
import paddle
linear = paddle.nn.Linear(10, 3)
value = np.array([0]).astype("float32")
buffer = paddle.to_tensor(value)
linear.register_buffer("buf_name", buffer, persistable=True)
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
import numpy as np
import paddle
fc1 = paddle.nn.Linear(10, 3)
buffer1 = paddle.to_tensor(np.array([0]).astype("float32"))
# register a tensor as buffer by specific `persistable`
fc1.register_buffer("buf_name_1", buffer1, persistable=True)
fc2 = paddle.nn.Linear(3, 10)
buffer2 = paddle.to_tensor(np.array([1]).astype("float32"))
# register a buffer by assigning an attribute with Tensor.
# The `persistable` can only be False by this way.
fc2.buf_name_2 = buffer2
model = paddle.nn.Sequential(fc1, fc2)
# get all named buffers
for name, buffer in model.named_buffers():
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
import paddle
class MySequential(paddle.nn.Layer):
def __init__(self, *layers):
super(MySequential, self).__init__()
if len(layers) > 0 and isinstance(layers[0], tuple):
for name, layer in layers:
self.add_sublayer(name, layer)
else:
for idx, layer in enumerate(layers):
self.add_sublayer(str(idx), layer)
def forward(self, input):
for layer in self._sub_layers.values():
input = layer(input)
return input
fc1 = paddle.nn.Linear(10, 3)
fc2 = paddle.nn.Linear(3, 10, bias_attr=False)
model = MySequential(fc1, fc2)
for prefix, layer in model.named_sublayers():
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
import paddle
class MyLayer(paddle.nn.Layer):
def __init__(self):
super(MyLayer, self).__init__()
self._linear = paddle.nn.Linear(1, 1)
w_tmp = self.create_parameter([1,1])
self.add_parameter("w_tmp", w_tmp)
def forward(self, input):
return self._linear(input)
mylayer = MyLayer()
for name, param in mylayer.named_parameters():
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
import paddle
emb = paddle.nn.Embedding(10, 10)
state_dict = emb.state_dict()
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
import paddle
emb = paddle.nn.Embedding(10, 10)
state_dict = emb.state_dict()
paddle.save(state_dict, "paddle_dy.pdparams")
para_state_dict = paddle.load("paddle_dy.pdparams")
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
andxpu: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
import paddle
linear=paddle.nn.Linear(2, 2)
linear.weight
#Parameter containing:
#Tensor(shape=[2, 2], dtype=float32, place=CUDAPlace(0), stop_gradient=False,
# [[-0.32770029, 0.38653070],
# [ 0.46030545, 0.08158520]])
linear.to(dtype='float64')
linear.weight
#Tenor(shape=[2, 2], dtype=float64, place=CUDAPlace(0), stop_gradient=False,
# [[-0.32770029, 0.38653070],
# [ 0.46030545, 0.08158520]])
linear.to(device='cpu')
linear.weight
#Tensor(shape=[2, 2], dtype=float64, place=CPUPlace, stop_gradient=False,
# [[-0.32770029, 0.38653070],
# [ 0.46030545, 0.08158520]])
linear.to(device=paddle.CUDAPinnedPlace(), blocking=False)
linear.weight
#Tensor(shape=[2, 2], dtype=float64, place=CUDAPinnedPlace, stop_gradient=False,
# [[-0.04989364, -0.56889004],
# [ 0.33960250, 0.96878713]])