准备数据

使用PaddlePaddle Fluid准备数据分为两个步骤：

Step1: 自定义Reader生成训练/预测数据

生成的数据类型可以为Numpy Array或LoDTensor。根据Reader返回的数据形式的不同，可分为Batch级的Reader和Sample（样本）级的Reader。

Batch级的Reader每次返回一个Batch的数据，Sample级的Reader每次返回单个样本的数据

如果您的数据是Sample级的数据，我们提供了一个可以数据预处理和组建batch的工具：Python Reader 。

Step2: 将数据送入网络进行训练/预测

Fluid提供两种方式，分别是同步Feed方式或异步py_reader接口方式，具体介绍如下：

• 同步Feed方式用户需使用 fluid.layers.data配置数据输入层，并在 fluid.Executor 或 fluid.ParallelExecutor中使用 executor.run(feed=…) 传入训练数据。数据准备和模型训练/预测的过程是同步进行的，效率较低。

• 异步py_reader接口方式用户需要先使用 fluid.layers.py_reader 配置数据输入层，然后使用py_reader 的 decorate_paddle_reader 或 decorate_tensor_provider方法配置数据源，再通过 fluid.layers.read_file 读取数据。数据传入与模型训练/预测过程是异步进行的，效率较高。

这两种准备数据方法的比较如下:

Reader数据类型对使用方式的影响

根据Reader数据类型的不同，上述Step1和Step2的具体操作将有所不同，具体介绍如下:

读取Sample级Reader数据

若自定义的Reader每次返回单个样本的数据，用户需通过以下步骤完成数据送入：

Step1. 组建数据

调用Fluid提供的Reader相关接口完成组batch和部分的数据预处理功能，具体请参见：

• 数据预处理工具

Step2. 送入数据

若使用同步Feed方式送入数据，请使用DataFeeder接口将Reader数据转换为LoDTensor格式后送入网络，具体请参见 DataFeeder

若使用异步py_reader接口方式送入数据，请调用 decorate_paddle_reader 接口完成，具体请参见：

• 异步数据读取

读取Batch级Reader数据

Step1. 组建数据

由于Batch已经组好，已经满足了Step1的条件，可以直接进行Step2

Step2. 送入数据

若使用同步Feed方式送入数据，具体请参见:

• 同步数据读取

若使用异步py_reader接口方式送入数据，请调用py_reader的 decorate_tensor_provider 接口完成，具体方式请参见:

• 异步数据读取