fluid

SourceEnglish

AsyncExecutor

SourceEnglish

  • class paddle.fluid.AsyncExecutor(place=None, run_mode='')
  • AsyncExecutor正在积极开发,API可能在短期内进行调整。

Python中的异步执行器。AsyncExecutor利用多核处理器和数据排队的强大功能,使数据读取和融合解耦,每个线程并行运行。

AsyncExecutor不是在python端读取数据,而是接受一个训练文件列表,该列表将在c++中检索,然后训练输入将被读取、解析并在c++代码中提供给训练网络。

  • 参数:
    • place (fluid.CPUPlace|None) - 指示 executor 将在哪个设备上运行。目前仅支持CPU代码示例:
  1. data_feed = fluid.DataFeedDesc('data.proto')
  2. startup_program = fluid.default_startup_program()
  3. main_program = fluid.default_main_program()
  4. filelist = ["train_data/part-%d" % i for i in range(100)]
  5. thread_num = len(filelist) / 4
  6. place = fluid.CPUPlace()
  7. async_executor = fluid.AsyncExecutor(place)
  8. async_executor.run_startup_program(startup_program)
  9. epoch = 10
  10. for i in range(epoch):
  11. async_executor.run(main_program,
  12. data_feed,
  13. filelist,
  14. thread_num,
  15. [acc],
  16. debug=False)

注解

对于并行gpu调试复杂网络,您可以在executor上测试。他们有完全相同的参数,并可以得到相同的结果。

目前仅支持CPU

  • run(program, data_feed, filelist, thread_num, fetch, mode='', debug=False)
  • 使用此 AsyncExecutor 来运行 program

filelist 中包含训练数据集。用户也可以通过在参数 fetch 中提出变量来检查特定的变量, 正如 fluid.Executor

但不像 fluid.ExecutorAsyncExecutor 不返回获取到的变量,而是将每个获取到的变量作为标准输出展示给用户。

数据集上的运算在多个线程上执行,每个线程中都会独立出一个线程本地作用域,并在此域中建立运算。所有运算同时更新参数值。

  • 参数:
    • program (Program) – 需要执行的program。如果没有提供该参数,默认使用 default_main_program
    • data_feed (DataFeedDesc) – DataFeedDesc 对象
    • filelist (str) – 一个包含训练数据集文件的文件列表
    • thread_num (int) – 并发训练线程数。参照 注解 部分获取合适的设置方法
    • fetch (str|list) – 变量名,或者变量名列表。指明最后要进行观察的变量命名
    • mode (str) – 该接口的运行模式
    • debug (bool) – 如果为True, 在每一个minibatch处理后,fetch 中指明的变量将会通过标准输出打印出来

注解

1.该执行器会运行program中的所有运算,不只是那些依赖于fetchlist的运算

2.该类执行器在多线程上运行,每个线程占用一个CPU核。为了实现效率最大化,建议将 thread_num 等于或稍微小于CPU核心数

  • downloaddata(_afs_path, local_path, fs_default_name, ugi, file_cnt, hadoop_home='$HADOOP_HOME', process_num=12)
  • download_data是用于分布式训练的默认下载方法,用户可不使用该方法下载数据。

示例

  1. exe = fluid.AsyncExecutor()
  2. exe.download_data("/xxx/xxx/xx/",
  3. "./data", "afs://
  4. xxx.xxx.xxx.xxx:9901", "xxx,yyy")
  • 参数:
    • afs_path (str) - 用户定义的afs_path
    • local_path (str) - 下载数据路径
    • fs_default_name (str) - 文件系统服务器地址
    • ugi (str) - hadoop ugi
    • file_cnt (int) - 用户可以指定用于调试的文件号
    • hadoop_home (str) - hadoop home path
    • process_num (int) - 下载进程号
  • get_instance()
  • 获取当前节点的实例,以便用户可以在分布式背景下中执行操作。

  • config_distributed_nodes()

  • 如果用户需要运行分布式AsyncExecutor,则需要进行全局配置,以便获取当前进程的信息。

  • stop()

  • 在流程结束时,用户应该停止服务器并阻止所有workers。

  • initserver(_dist_desc)

  • 如果当前进程是server,则初始化当前节点的服务器。

  • 参数:

    • dist_desc (str)- 描述如何初始化worker和server的protobuf字符串
  • initworker(_dist_desc, startup_program)
  • 如果当前进程是worker,则初始化当前节点的worker

  • 参数:

    • dist_desc (str)- 描述如何初始化worker和server的protobuf字符串
    • startup_program (fluid.Program)- 当前进程的startup program
  • init_model()
  • 可以从其中一个worker中调用的init_model命令。随之,在server中初始化模型参数。

  • savemodel(_save_path)

  • 可以从其中一个worker调用的save_model命令。随之,模型参数会保存在server中并上传到文件系统的save_path指定的位置。

  • 参数:

    • save_path (str)- 文件系统的保存路径

BuildStrategy

SourceEnglish

  • class paddle.fluid.BuildStrategy
  • BuildStrategy 使用户更精准地控制 ParallelExecutor 中SSA图的建造方法。可通过设置 ParallelExecutor 中的 BuildStrategy 成员来实现此功能。

代码示例

  1. build_strategy = fluid.BuildStrategy()
  2. build_strategy.reduce_strategy = fluid.BuildStrategy.ReduceStrategy.Reduce
  3.  
  4. train_exe = fluid.ParallelExecutor(use_cuda=True,
  5. loss_name=loss.name,
  6. build_strategy=build_strategy)
  7.  
  8. train_loss, = train_exe.run([loss.name], feed=feed_dict)
  • debug_graphviz_path
  • str类型。它表明了以graphviz格式向文件中写入SSA图的路径,有利于调试。 默认值为”“。

  • enable_sequential_execution

  • 类型是BOOL。 如果设置为True,则ops的执行顺序将与program中的执行顺序相同。 默认为False。

  • fuse_elewise_add_act_ops

  • bool类型。它表明了是否融合(fuse)elementwise_add_op和activation_op。这会使整体执行过程更快一些。默认为False。

  • fuse_relu_depthwise_conv

  • BOOL类型,fuse_relu_depthwise_conv指示是否融合relu和depthwise_conv2d,它会节省GPU内存并可能加速执行过程。 此选项仅适用于GPU设备。 默认为False。

  • gradient_scale_strategy

  • str类型。在 ParallelExecutor 中,存在三种定义 loss@grad 的方式,分别为 CoeffNumDevice, OneCustomized。默认情况下, ParallelExecutor 根据设备数目来设置 loss@grad 。如果你想自定义 loss@grad ,你可以选择 Customized 方法。默认为 CoeffNumDevice

  • reduce_strategy

  • str类型。在 ParallelExecutor 中,存在两种减少策略(reduce strategy),即 AllReduceReduce 。如果你需要在所有执行场所上独立地进行参数优化,可以使用 AllReduce 。反之,如果使用 Reduce 策略,所有参数的优化将均匀地分配给不同的执行场所,随之将优化后的参数广播给其他执行场所。在一些模型中, Reduce 策略执行速度更快一些。默认值为 AllReduce

  • remove_unnecessary_lock

  • BOOL类型。如果设置为True, GPU操作中的一些锁将被释放,ParallelExecutor将运行得更快,默认为 True。

  • sync_batch_norm

  • 类型为bool,sync_batch_norm表示是否使用同步的批正则化,即在训练阶段通过多个设备同步均值和方差。

当前的实现不支持FP16培训和CPU。仅在一台机器上进行同步式批正则,不适用于多台机器。

默认为 False。

CompiledProgram

SourceEnglish

  • class paddle.fluid.CompiledProgram(program_or_graph)
  • 编译成一个用来执行的Graph。

  • 首先使用layers(网络层)创建程序。

  • (可选)可使用CompiledProgram来在运行之前优化程序。
  • 定义的程序或CompiledProgram由Executor运行。CompiledProgram用于转换程序以进行各种优化。例如,

  • 预先计算一些逻辑,以便每次运行更快。

  • 转换Program,使其可以在多个设备中运行。
  • 转换Program以进行优化预测或分布式训练。代码示例
  1. place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
  2. exe = fluid.Executor(place)
  3. exe.run(startup)
  4. compiled_prog = compiler.CompiledProgram(main).with_data_parallel(
  5. loss_name=loss.name)
  6. for i in range(5):
  7. test_loss, = exe.run(compiled_prog,
  8. feed=feed_dict,
  9. fetch_list=[loss.name])
  • 参数:
    • program_or_graph (Graph|Program): 如果它是Program,那么它将首先被降成一个graph,以便进一步优化。如果它是一个graph(以前可能优化过),它将直接用于进一步的优化。注意:只有使用 with_data_parallel 选项编译时才支持graph。
  • withdata_parallel(_loss_name=None, build_strategy=None, exec_strategy=None, share_vars_from=None, places=None)
  • 配置Program使其以数据并行方式运行。

  • 参数:

    • loss_name (str) - 损失函数名称必须在训练过程中设置。 默认None。
    • build_strategy (BuildStrategy) - build_strategy用于构建图,因此它可以在具有优化拓扑的多个设备/核上运行。 有关更多信息,请参阅 fluid.BuildStrategy 。 默认None。
    • exec_strategy (ExecutionStrategy) - exec_strategy用于选择执行图的方式,例如使用多少线程,每次清理临时变量之前进行的迭代次数。 有关更多信息,请参阅 fluid.ExecutionStrategy 。 默认None。
    • share_vars_from (CompiledProgram) - 如果有,此CompiledProgram将共享来自share_vars_from的变量。 share_vars_from指定的Program必须由此CompiledProgram之前的Executor运行,以便vars准备就绪。
    • places (list(CUDAPlace)|list(CPUPlace)|None) - 如果提供,则仅在给定位置编译程序。否则,编译时使用的位置由Executor确定,使用的位置由环境变量控制:如果使用GPU,则标记FLAGS_selected_gpus或CUDA_VISIBLE_DEVICES设备;如果使用CPU,则标记CPU_NUM。例如,如果要在GPU 0和GPU 1上运行,请设置places=[fluid.CUDAPlace(0), fluid.CUDAPlace(1)]。如果要在2个CPU核心上运行,请设置places=[fluid.CPUPlace()]*2。返回: self
  • withinference_optimize(_config)

  • 添加预测优化。

  • 参数:

    • config - 用于创建预测器的NativeConfig或AnalysisConfig的实例返回: self

cpu_places

SourceEnglish

  • paddle.fluid.cpuplaces(_device_count=None)
  • 创建 fluid.CPUPlace 对象列表。

如果 device_count 为None,则设备数目将由环境变量 CPU_NUM 确定。如果未设置 CPU_NUM ,则设备数目将由 multiprocessing.cpu_count() 确定。

  • 参数:
    • device_count (None|int) - 设备数目返回: CPUPlace列表

返回类型:out (list(fluid.CPUPlace))

CPUPlace

SourceEnglish

  • class paddle.fluid.CPUPlace
  • CPUPlace是设备的描述符。它代表一个CPU,可以访问CPUPlace对应的内存。

create_lod_tensor

SourceEnglish

  • paddle.fluid.createlod_tensor(_data, recursive_seq_lens, place)
  • 该函数从一个numpy数组,列表或者已经存在的lod tensor中创建一个lod tensor。

通过一下几步实现:

  • 检查length-based level of detail (LoD,长度为基准的细节层次),或称recursive_sequence_lengths(递归序列长度)的正确性
  • 将recursive_sequence_lengths转化为offset-based LoD(偏移量为基准的LoD)
  • 把提供的numpy数组,列表或者已经存在的lod tensor复制到CPU或GPU中(依据执行场所确定)
  • 利用offset-based LoD来设置LoD
  • 例如:
  • 假如我们想用LoD Tensor来承载一词序列的数据,其中每个词由一个整数来表示。现在,我们意图创建一个LoD Tensor来代表两个句子,其中一个句子有两个词,另外一个句子有三个。那么数 data 可以是一个numpy数组,形状为(5,1)。同时, recursive_seq_lens 为 [[2, 3]],表明各个句子的长度。这个长度为基准的 recursive_seq_lens 将在函数中会被转化为以偏移量为基准的 LoD [[0, 2, 5]]。
  • 参数:
    • data (numpy.ndarray|list|LoDTensor) – 容纳着待复制数据的一个numpy数组、列表或LoD Tensor
    • recursive_seq_lens (list) – 一组列表的列表, 表明了由用户指明的length-based level of detail信息
    • place (Place) – CPU或GPU。 指明返回的新LoD Tensor存储地点返回: 一个fluid LoDTensor对象,包含数据和 recursive_seq_lens 信息

create_random_int_lodtensor

SourceEnglish

  • paddle.fluid.createrandom_int_lodtensor(_recursive_seq_lens, base_shape, place, low, high)
  • 该函数创建一个存储多个随机整数的LoD Tensor。

该函数是经常在书中出现的案例,所以我们根据新的API: create_lod_tensor 更改它然后放在LoD Tensor板块里来简化代码。

该函数实现以下功能:

  • 根据用户输入的length-based recursive_seq_lens (基于长度的递归序列长)和在 basic_shape 中的基本元素形状计算LoDTensor的整体形状
  • 由此形状,建立numpy数组
  • 使用API: create_lod_tensor 建立LoDTensor假如我们想用LoD Tensor来承载一词序列,其中每个词由一个整数来表示。现在,我们意图创建一个LoD Tensor来代表两个句子,其中一个句子有两个词,另外一个句子有三个。那么 base_shape 为[1], 输入的length-based recursive_seq_lens 是 [[2, 3]]。那么LoDTensor的整体形状应为[5, 1],并且为两个句子存储5个词。

  • 参数:

    • recursive_seq_lens (list) – 一组列表的列表, 表明了由用户指明的length-based level of detail信息
    • base_shape (list) – LoDTensor所容纳的基本元素的形状
    • place (Place) – CPU或GPU。 指明返回的新LoD Tensor存储地点
    • low (int) – 随机数下限
    • high (int) – 随机数上限返回: 一个fluid LoDTensor对象,包含数据和 recursive_seq_lens 信息

cuda_pinned_places

SourceEnglish

  • paddle.fluid.cudapinned_places(_device_count=None)
  • 创建 fluid.CUDAPinnedPlace 对象列表。

如果 device_count 为None,则设备数目将由环境变量 CPU_NUM 确定。如果未设置 CPU_NUM ,则设备数目将由 multiprocessing.cpu_count() 确定。

  • 参数:
    • device_count (None|int) - 设备数目返回: CUDAPinnedPlace对象列表

返回类型:out(list(fluid.CUDAPinnedPlace))

cuda_places

SourceEnglish

  • paddle.fluid.cudaplaces(_device_ids=None)
  • 创建 fluid.CUDAPlace 对象列表。

如果 device_ids 为None,则首先检查 FLAGS_selected_gpus 的环境变量。如果 FLAGS_selected_gpus=0,1,2 ,则返回的列表将为[fluid.CUDAPlace(0), fluid.CUDAPlace(1), fluid.CUDAPlace(2)]。如果未设置标志 FLAGS_selected_gpus ,则将返回所有可见的GPU places。

如果 device_ids 不是None,它应该是GPU的设备ID。例如,如果 device_id=[0,1,2] ,返回的列表将是[fluid.CUDAPlace(0), fluid.CUDAPlace(1), fluid.CUDAPlace(2)]。

  • 参数:
    • device_ids (None|list(int)|tuple(int)) - GPU的设备ID列表返回: CUDAPlace列表

返回类型:out (list(fluid.CUDAPlace))

CUDAPinnedPlace

SourceEnglish

  • class paddle.fluid.CUDAPinnedPlace
  • CUDAPinnedPlace是一个设备描述符,它所指代的存储空间可以被GPU和CPU访问。

CUDAPlace

SourceEnglish

  • class paddle.fluid.CUDAPlace
  • CUDAPlace是一个设备描述符,它代表一个GPU,并且每个CUDAPlace有一个dev_id(设备id)来表明当前CUDAPlace代表的卡数。dev_id不同的CUDAPlace所对应的内存不可相互访问。

DataFeedDesc

SourceEnglish

  • class paddle.fluid.DataFeedDesc(proto_file)
  • 数据描述符,描述输入训练数据格式。

这个类目前只用于AsyncExecutor(有关类AsyncExecutor的简要介绍,请参阅注释)

DataFeedDesc应由来自磁盘的有效protobuf消息初始化:

  1. data_feed = fluid.DataFeedDesc('data.proto')

可以参考 paddle/fluid/framework/data_feed.proto 查看我们如何定义message

一段典型的message可能是这样的:

  1. name: "MultiSlotDataFeed"
  2. batch_size: 2
  3. multi_slot_desc {
  4. slots {
  5. name: "words"
  6. type: "uint64"
  7. is_dense: false
  8. is_used: true
  9. }
  10. slots {
  11. name: "label"
  12. type: "uint64"
  13. is_dense: false
  14. is_used: true
  15. }
  16. }

但是,用户通常不应该关心消息格式;相反,我们鼓励他们在将原始日志文件转换为AsyncExecutor可以接受的训练文件的过程中,使用 Data Generator 生成有效数据描述。

DataFeedDesc也可以在运行时更改。一旦你熟悉了每个字段的含义,您可以修改它以更好地满足您的需要。例如:

  1. data_feed.set_batch_size(128)
  2. data_feed.set_dense_slots('wd') # The slot named 'wd' will be dense
  3. data_feed.set_use_slots('wd') # The slot named 'wd' will be used
  4.  
  5. #Finally, the content can be dumped out for debugging purpose:
  6.  
  7. print(data_feed.desc())
  • 参数:
    • proto_file (string) - 包含数据feed中描述的磁盘文件
  • setbatch_size(_batch_size)
  • 设置batch size,训练期间有效

  • 参数:

    • batch_size:batch size代码示例:
  1. data_feed = fluid.DataFeedDesc('data.proto')
  2. data_feed.set_batch_size(128)
  • setdense_slots(_dense_slots_name)
  • 指定slot经过设置后将变成密集的slot,仅在训练期间有效。

密集slot的特征将被输入一个Tensor,而稀疏slot的特征将被输入一个lodTensor

  • 参数:
    • dense_slots_name : slot名称的列表,这些slot将被设置为密集的代码示例:
  1. data_feed = fluid.DataFeedDesc('data.proto')
  2. data_feed.set_dense_slots(['words'])

注解

默认情况下,所有slot都是稀疏的

  • setuse_slots(_use_slots_name)
  • 设置一个特定的slot是否用于训练。一个数据集包含了很多特征,通过这个函数可以选择哪些特征将用于指定的模型。

  • 参数:

    • use_slots_name :将在训练中使用的slot名列表代码示例:
  1. data_feed = fluid.DataFeedDesc('data.proto')
  2. data_feed.set_use_slots(['words'])

注解

默认值不用于所有slot

  • desc()
  • 返回此DataFeedDesc的protobuf信息

返回:一个message字符串

代码示例:

  1. data_feed = fluid.DataFeedDesc('data.proto')
  2. print(data_feed.desc())

DataFeeder

SourceEnglish

  • class paddle.fluid.DataFeeder(feed_list, place, program=None)
  • DataFeeder 负责将reader(读取器)返回的数据转成一种特殊的数据结构,使它们可以输入到 ExecutorParallelExecutor 中。reader通常返回一个minibatch条目列表。在列表中每一条目都是一个样本(sample),它是由具有一至多个特征的列表或元组组成的。

以下是简单用法:

  1. place = fluid.CPUPlace()
  2. img = fluid.layers.data(name='image', shape=[1, 28, 28])
  3. label = fluid.layers.data(name='label', shape=[1], dtype='int64')
  4. feeder = fluid.DataFeeder([img, label], fluid.CPUPlace())
  5. result = feeder.feed([([0] * 784, [9]), ([1] * 784, [1])])

在多GPU模型训练时,如果需要提前分别向各GPU输入数据,可以使用 decorate_reader 函数。

  1. place=fluid.CUDAPlace(0)
  2. feeder = fluid.DataFeeder(place=place, feed_list=[data, label])
  3. reader = feeder.decorate_reader(
  4. paddle.batch(flowers.train(), batch_size=16))
  • 参数:
    • feed_list (list) – 向模型输入的变量表或者变量表名
    • place (Place) – place表明是向GPU还是CPU中输入数据。如果想向GPU中输入数据, 请使用 fluid.CUDAPlace(i) (i 代表 the GPU id);如果向CPU中输入数据, 请使用 fluid.CPUPlace()
    • program (Program) – 需要向其中输入数据的Program。如果为None, 会默认使用 default_main_program()。 缺省值为None
  • 抛出异常:
    • ValueError – 如果一些变量不在此 Program 中代码示例
  1. # ...
  2. place = fluid.CPUPlace()
  3. feed_list = [
  4. main_program.global_block().var(var_name) for var_name in feed_vars_name
  5. ] # feed_vars_name 是一个由变量名组成的列表
  6. feeder = fluid.DataFeeder(feed_list, place)
  7. for data in reader():
  8. outs = exe.run(program=main_program,
  9. feed=feeder.feed(data))
  • feed(iterable)
  • 根据feed_list(数据输入表)和iterable(可遍历的数据)提供的信息,将输入数据转成一种特殊的数据结构,使它们可以输入到 ExecutorParallelExecutor 中。

  • 参数:

    • iterable (list|tuple) – 要输入的数据返回: 转换结果

返回类型: dict

  • feedparallel(_iterable, num_places=None)
  • 该方法获取的多个minibatch,并把每个minibatch提前输入进各个设备中。

  • 参数:

    • iterable (list|tuple) – 要输入的数据
    • num_places (int) – 设备数目。默认为None。返回: 转换结果

返回类型: dict

注解

设备(CPU或GPU)的数目必须等于minibatch的数目

  • decoratereader(_reader, multi_devices, num_places=None, drop_last=True)
  • 将reader返回的输入数据batch转换为多个mini-batch,之后每个mini-batch都会被输入进各个设备(CPU或GPU)中。

  • 参数:

    • reader (fun) – 该参数是一个可以生成数据的函数
    • multi_devices (bool) – bool型,指明是否使用多个设备
    • num_places (int) – 如果 multi_devicesTrue , 可以使用此参数来设置GPU数目。如果 multi_devicesNone ,该函数默认使用当前训练机所有GPU设备。默认为None。
    • drop_last (bool) – 如果最后一个batch的大小比 batch_size 要小,则可使用该参数来指明是否选择丢弃最后一个batch数据。 默认为 True返回:转换结果

返回类型: dict

抛出异常: ValueError – 如果 drop_last 值为False并且data batch与设备不匹配时,产生此异常

default_main_program

SourceEnglish

  • paddle.fluid.default_main_program()
  • 此函数用于获取默认或全局main program(主程序)。该主程序用于训练和测试模型。

fluid.layers 中的所有layer函数可以向 default_main_program 中添加operators(算子)和variables(变量)。

default_main_program 是fluid的许多编程接口(API)的Program参数的缺省值。例如,当用户program没有传入的时候,Executor.run() 会默认执行 default_main_program

返回: main program

返回类型: Program

default_startup_program

SourceEnglish

  • paddle.fluid.default_startup_program()
  • 该函数可以获取默认/全局 startup program (启动程序)。

fluid.layers 中的layer函数会新建参数、readers(读取器)、NCCL句柄作为全局变量。

startup_program会使用内在的operators(算子)去初始化他们,并由layer函数将这些operators追加到startup program中。

该函数将返回默认的或当前的startup_program。用户可以使用 fluid.program_guard 去切换program。

返回: startup program

返回类型: Program

DistributeTranspiler

SourceEnglish

  • class paddle.fluid.DistributeTranspiler(config=None)
  • 该类可以把fluid program转变为分布式数据并行计算程序(distributed data-parallelism programs),可以有Pserver和NCCL2两种模式。当program在Pserver(全称:parameter server)模式下, main_program (主程序)转为使用一架远程parameter server(即pserver,参数服务器)来进行参数优化,并且优化图会被输入到一个pserver program中。在NCCL2模式下,transpiler会在 startup_program 中附加一个 NCCL_ID 广播算子(broadcasting operators)来实现在该集群中所有工作结点共享 NCCL_ID 。调用 transpile_nccl2 后, 你 必须trainer_id , num_trainers 参数提供给 ParallelExecutor 来启动NCCL2分布式模式。

代码示例

  1. #pserver模式下
  2. pserver_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
  3. trainer_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
  4. current_endpoint = "192.168.0.1:6174"
  5. trainer_id = 0
  6. trainers = 4
  7. role = os.getenv("PADDLE_TRAINING_ROLE")
  8.  
  9. t = fluid.DistributeTranspiler()
  10. t.transpile(
  11. trainer_id, pservers=pserver_endpoints, trainers=trainers)
  12. if role == "PSERVER":
  13. pserver_program = t.get_pserver_program(current_endpoint)
  14. pserver_startup_program = t.get_startup_program(current_endpoint,
  15. pserver_program)
  16. elif role == "TRAINER":
  17. trainer_program = t.get_trainer_program()
  18.  
  19. # nccl2模式下
  20. config = fluid.DistributeTranspilerConfig()
  21. config.mode = "nccl2"
  22. t = fluid.DistributeTranspiler(config=config)
  23. t.transpile(trainer_id, workers=workers, current_endpoint=curr_ep)
  24. exe = fluid.ParallelExecutor(
  25. use_cuda,
  26. loss_name=loss_var.name,
  27. num_trainers=len(trainers.split(",)),
  28. trainer_id=trainer_id
  29. )
  • transpile(trainer_id, program=None, pservers='127.0.0.1:6174', trainers=1, sync_mode=True, startup_program=None, current_endpoint='127.0.0.1:6174')
  • 该方法可以运行该transpiler(转译器)。

  • 参数:

    • trainer_id (int) – 当前Trainer worker的id, 如果有n个Trainer worker, id 取值范围为0 ~ n-1
    • program (Program|None) – 待transpile(转译)的program, 缺省为 fluid.default_main_program()
    • startup_program (Program|None) - 要转译的 startup_program ,默认为 fluid.default_startup_program()
    • pservers (str) – 内容为Pserver列表的字符串,格式为:按逗号区分不同的Pserver,每个Pserver的格式为 ip地址:端口号
    • trainers (int|str) – 在Pserver模式下,该参数指Trainer机的个数;在nccl2模式下,它是一个内容为Trainer终端列表的字符串
    • sync_mode (bool) – 是否做同步训练(synchronous training), 默认为True
    • startup_program (Program|None) – 待transpile(转译)的startup_program,默认为 fluid.default_main_program()
    • current_endpoint (str) – 当需要把program转译(transpile)至NCCL2模式下时,需要将当前endpoint(终端)传入该参数。Pserver模式不使用该参数
  • gettrainer_program(_wait_port=True)
  • 该方法可以得到Trainer侧的program。

返回: Trainer侧的program

返回类型: Program

  • getpserver_program(_endpoint)
  • 该方法可以得到Pserver(参数服务器)侧的程序

  • 参数:

    • endpoint (str) – 当前Pserver终端返回: 当前Pserver需要执行的program

返回类型: Program

  • getpserver_programs(_endpoint)
  • 该方法可以得到Pserver侧用于分布式训练的 main_programstartup_program

  • 参数:

    • endpoint (str) – 当前Pserver终端返回: (main_program, startup_program), “Program”类型的元组

返回类型: tuple

  • getstartup_program(_endpoint, pserver_program=None, startup_program=None)
  • 该函数已停止使用获取当前Pserver的startup_program,如果有多个被分散到不同blocks的变量,则修改operator的输入变量。

  • 参数:

    • endpoint (str) – 当前Pserver终端
    • pserver_program (Program) – 已停止使用。 先调用get_pserver_program
    • startup_program (Program) – 已停止使用。应在初始化时传入startup_program返回: Pserver侧的startup_program

返回类型: Program

DistributeTranspilerConfig

SourceEnglish

  • class paddle.fluid.DistributeTranspilerConfig
  • slicevar_up(_bool)
  • 为多个Pserver(parameter server)将tensor切片, 默认为True。

  • splitmethod(_PSDispatcher)

  • 可使用 RoundRobin 或者 HashName。

注意: 尝试选择最佳方法来达到Pserver间负载均衡。

  • minblock_size(_int)
  • block中分割(split)出的元素个数的最小值。

注意: 根据:issuecomment-369912156 , 当数据块大小超过2MB时,我们可以有效地使用带宽。如果你想更改它,请详细查看 slice_variable 函数。

ExecutionStrategy

SourceEnglish

  • class paddle.fluid.ExecutionStrategy
  • ExecutionStrategy 允许用户更加精准地控制program在 ParallelExecutor 中的运行方式。可以通过在 ParallelExecutor 中设置本成员来实现。

代码示例

  1. exec_strategy = fluid.ExecutionStrategy()
  2. exec_strategy.num_threads = 4
  3.  
  4. train_exe = fluid.ParallelExecutor(use_cuda=True,
  5. loss_name=loss.name,
  6. exec_strategy=exec_strategy)
  7.  
  8. train_loss, = train_exe.run([loss.name], feed=feed_dict)
  • allow_op_delay
  • 这是一个bool类型成员,表示是否推迟communication operators(交流运算)的执行,这样做会使整体执行过程更快一些。但是在一些模型中,allow_op_delay会导致程序中断。默认为False。

  • num_iteration_per_drop_scope

  • int型成员。它表明了清空执行时产生的临时变量需要的程序执行重复次数。因为临时变量的形状可能在两次重复过程中保持一致,所以它会使整体执行过程更快。默认值为100。

注解

  • 如果在调用 run 方法时获取结果数据,ParallelExecutor 会在当前程序重复执行尾部清空临时变量
  • 在一些NLP模型里,该成员会致使GPU内存不足。此时,你应减少 num_iteration_per_drop_scope 的值

  • num_threads

  • int型成员。它代表了线程池(thread pool)的大小。这些线程会被用来执行当前 ParallelExecutor 的program中的operator(算子,运算)。如果

fluid - 图1 ,则所有的operator将一个接一个地执行,但在不同的程序重复周期(iterations)中执行顺序可能不同。如果该成员没有被设置,则在 ParallelExecutor 中,它会依据设备类型(device type)、设备数目(device count)而设置为相应值。对GPU,fluid - 图2 ;对CPU,fluid - 图3 。在 ParallelExecutor 中有关于fluid - 图4 的详细解释。如果没有设置fluid - 图5ParallelExecutor 可以通过调用 multiprocessing.cpu_count() 获取CPU数目(cpu count)。默认值为0。

Executor

SourceEnglish

  • class paddle.fluid.Executor(place)
  • 执行引擎(Executor)使用python脚本驱动,支持在单/多GPU、单/多CPU环境下运行。Python Executor可以接收传入的program,并根据feed map(输入映射表)和fetch_list(结果获取表)向program中添加feed operators(数据输入算子)和fetch operators(结果获取算子)。feed map为该program提供输入数据。fetch_list提供program训练结束后用户预期的变量(或识别类场景中的命名)。

应注意,执行器会执行program中的所有算子而不仅仅是依赖于fetch_list的那部分。

Executor将全局变量存储到全局作用域中,并为临时变量创建局部作用域。当每一mini-batch上的前向/反向运算完成后,局部作用域的内容将被废弃,但全局作用域中的变量将在Executor的不同执行过程中一直存在。

示例代码

  1. # 新建一个执行引擎Executor名为exe。
  2. place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
  3. exe = fluid.Executor(place)
  4.  
  5. # 仅运行一次startup program.
  6. # 不需要优化/编译这个startup program.
  7. exe.run(fluid.default_startup_program())
  8.  
  9. # 无需编译,直接运行main program
  10. loss, = exe.run(fluid.default_main_program(),
  11. feed=feed_dict,
  12. fetch_list=[loss.name])
  13.  
  14. # 另一种方法是,编译这个main program然后运行. 参考CompiledProgram
  15. compiled_prog = compiler.CompiledProgram(
  16. fluid.default_main_program()).with_data_parallel(
  17. loss_name=loss.name)
  18. loss, = exe.run(compiled_prog,
  19. feed=feed_dict,
  20. fetch_list=[loss.name])
  • 参数:
    • place (core.CPUPlace|core.CUDAPlace(n)) – 指明了 Executor 的执行场所
  • close()
  • 关闭这个执行器(Executor)。

调用这个方法后不可以再使用这个执行器。 对于分布式训练, 该函数会释放在PServers上和目前Trainer有关联的资源。

示例代码

  1. cpu = core.CPUPlace()
  2. exe = Executor(cpu)
  3. ...
  4. exe.close()
  • run(program=None, feed=None, fetch_list=None, feed_var_name='feed', fetch_var_name='fetch', scope=None, return_numpy=True, use_program_cache=False)
  • 调用该执行器对象的此方法可以执行program。通过feed map提供待学习数据,以及借助fetch_list得到相应的结果。Python执行器(Executor)可以接收传入的program,并根据输入映射表(feed map)和结果获取表(fetch_list)向program中添加数据输入算子(feed operators)和结果获取算子(fetch operators)。feed map为该program提供输入数据。fetch_list提供program训练结束后用户预期的变量(或识别类场景中的命名)。

应注意,执行器会执行program中的所有算子而不仅仅是依赖于fetch_list的那部分。

  • 参数:
    • program (Program|CompiledProgram) – 需要执行的program,如果没有给定那么默认使用default_main_program (未编译的)
    • feed (dict) – 前向输入的变量,数据,词典dict类型, 例如 {“image”: ImageData, “label”: LabelData}
    • fetch_list (list) – 用户想得到的变量或者命名的列表, 该方法会根据这个列表给出结果
    • feed_var_name (str) – 前向算子(feed operator)变量的名称
    • fetch_var_name (str) – 结果获取算子(fetch operator)的输出变量名称
    • scope (Scope) – 执行这个program的域,用户可以指定不同的域。缺省为全局域
    • return_numpy (bool) – 如果为True,则将结果张量(fetched tensor)转化为numpy
    • use_program_cache (bool) – 是否跨批使用缓存程序设置。设置为True时,只有当(1)程序没有用数据并行编译,并且(2)program、 feed变量名和fetch_list变量名与上一步相比没有更改时,运行速度才会更快。返回: 根据fetch_list来获取结果

返回类型: list(numpy.array)

示例代码

  1. data = fluid.layers.data(name='X', shape=[1], dtype='float32')
  2. hidden = fluid.layers.fc(input=data, size=10)
  3. layers.assign(hidden, out)
  4. loss = fluid.layers.mean(out)
  5. adam = fluid.optimizer.Adam()
  6. adam.minimize(loss)
  1. cpu = core.CPUPlace()
  2. exe = Executor(cpu)
  3. exe.run(default_startup_program())
  1. x = numpy.random.random(size=(10, 1)).astype('float32')
  2. outs = exe.run(
  3. feed={'X': x},
  4. fetch_list=[loss.name])

global_scope

SourceEnglish

  • paddle.fluid.global_scope()
  • 获取全局/默认作用域实例。很多api使用默认 global_scope ,例如 Executor.run

返回:全局/默认作用域实例

返回类型:Scope

in_dygraph_mode

SourceEnglish

  • paddle.fluid.in_dygraph_mode()
  • 返回:bool,如果Program是在动态图模式下运行的则为True。

LoDTensor

SourceEnglish

  • class paddle.fluid.LoDTensor
  • LoDTensor是一个具有LoD信息的张量(Tensor)

np.array(lod_tensor) 可以将LoDTensor转换为numpy array。

lod_tensor.lod() 可以获得LoD信息。

LoD是多层序列(Level of Details)的缩写,通常用于不同长度的序列。如果您不需要了解LoD信息,可以跳过下面的注解。

举例:

X 为 LoDTensor,它包含两个序列。第一个长度是2,第二个长度是3。

从Lod中可以计算出X的第一维度为5, 因为5=2+3, 说明X中有5个序列。在X中的每个序列中的每个元素有2列,因此X的shape为[5,2]。

  1. x.lod = [[2, 3]]
  2. x.data = [[1, 2], [3, 4], // seq 1
  3.  
  4. [5, 6], [7, 8], [9, 10]] // seq 2
  5.  
  6. x.shape = [5, 2]

LoD可以有多个level(例如,一个段落可以有多个句子,一个句子可以有多个单词)。下面的例子中,Y为LoDTensor ,lod_level为2。表示有2个序列,第一个序列的长度是2(有2个子序列),第二个序列的长度是1。第一序列的两个子序列长度分别为2和2。第二个序列的子序列的长度是3。

  1. y.lod = [[2 1], [2 2 3]] y.shape = [2+2+3, ...]

注解

在上面的描述中,LoD是基于长度的。在paddle内部实现中,lod是基于偏移的。因此,在内部,y.lod表示为[0,2,3],[0,2,4,7]

可以将LoD理解为recursive_sequence_length(递归序列长度)。此时,LoD必须是基于长度的。由于历史原因。当LoD在API中被称为lod时,它可能是基于偏移的。用户应该注意。

  • has_valid_recursive_sequence_lengths(self: paddle.fluid.core.LoDTensor) → bool
  • 检查LoDTensor的lod值的正确性。

返回: 是否带有正确的lod值

返回类型: out (bool)

  • lod(self: paddle.fluid.core.LoDTensor) → List[List[int]]
  • 得到LoD Tensor的LoD。

返回:LoD Tensor的LoD。

返回类型:out(List [List [int]])

  • recursive_sequence_lengths(self: paddle.fluid.core.LoDTensor) → List[List[int]]
  • 得到与LoD对应的LoDTensor的序列长度。

返回:LoD对应的一至多个序列长度。

返回类型:out(List [List [int])

  • set_lod(self: paddle.fluid.core.LoDTensor, lod: List[List[int]]) → None
  • 设置LoDTensor的LoD。

参数:- lod (List [List [int]]) - 要设置的lod。

  • set_recursive_sequence_lengths(self: paddle.fluid.core.LoDTensor, recursive_sequence_lengths: List[List[int]]) → None
  • 根据递归序列长度recursive_sequence_lengths设置LoDTensor的LoD。
  1. 例如,如果recursive_sequence_lengths = [[2,3]],
  2. 意味着有两个长度分别为23的序列,相应的lod将是[[0,2,2 + 3]],即[[0 2,5]]。

参数:- recursive_sequence_lengths (List [List [int]]) - 序列长度。

LoDTensorArray

SourceEnglish

  • class paddle.fluid.LoDTensorArray
  • append(self: paddle.fluid.core.LoDTensorArray, tensor: paddle.fluid.core.LoDTensor) → None
  • 将LoDTensor追加到LoDTensorArray后。

memory_optimize

SourceEnglish

  • paddle.fluid.memoryoptimize(_input_program, skip_opt_set=None, print_log=False, level=0, skip_grads=False)
  • 通过重用var内存来优化内存。

注解

它不支持block中嵌套子block。

  • 参数:
    • input_program (str) – 输入Program。
    • skip_opt_set (set) – set中的vars将不被内存优化。
    • print_log (bool) – 是否打印debug日志。
    • level (int) 如果 level=0 并且shape是完全相等,则重用。返回: None

name_scope

SourceEnglish

  • paddle.fluid.namescope(_prefix=None)
  • 为operators生成层次名称前缀

注意: 这个函数只能用于调试和可视化。不要将其用于分析,比如graph/program转换。

  • 参数:
    • prefix (str) - 前缀示例代码
  1. with name_scope("encoder"):
  2. ...
  3. with name_scope("decoder"):
  4. ...
  5. with name_scope("attention"):
  6. ...

ParallelExecutor

SourceEnglish

  • class paddle.fluid.ParallelExecutor(use_cuda, loss_name=None, main_program=None, share_vars_from=None, exec_strategy=None, build_strategy=None, num_trainers=1, trainer_id=0, scope=None)
  • ParallelExecutor 专门设计用来实现数据并行计算,着力于向不同结点(node)分配数据,并行地在不同结点中对数据进行操作。如果在GPU上使用该类运行程序,node则用来指代GPU, ParallelExecutor 也将自动获取在当前机器上可用的GPU资源。如果在CPU上进行操作,node则指代CPU,同时你也可以通过添加环境变量 CPU_NUM 来设置CPU设备的个数。例如,CPU_NUM=4。但是如果没有设置该环境变量,该类会调用 multiprocessing.cpu_count 来获取当前系统中CPU的个数。

  • 参数:

    • use_cuda (bool) – 是否使用CUDA
    • loss_name (str) – 在训练阶段,必须提供loss function名称。默认为None
    • main_program (Program) – 需要执行的program。如果未提供, 那么将使用 default_main_program。 默认为None
    • share_vars_from (ParallelExecutor) – 如果提供了该参数, 则该 ParallelExecutor 与指定的 ParallelExecutor 共享变量。默 认为空
    • exec_strategy (ExecutionStrategy) – exec_strategy 用于调控program在 ParallelExecutor 中的执行方式,例如,执行该program需要的线程数, 释放在执行过程中产生的临时变量需要的重复(iterations)次数。 请参考 fluid.ExecutionStrategy 获取详细介绍。该参数默认为 None
    • build_strategy (BuildStrategy) – 设置成员 build_strategy 可以控制在 ParallelExecutor 中搭建SSA Graph的方式,例如, reduce_strategygradient_scale_strategy 。 请参考 fluid.BuildStrategy 获取详细介绍。 该参数默认为None
    • num_trainers (int) – 如果该值大于1, NCCL将会通过多层级node的方式来初始化。每个node应有相同的GPU数目。 随之会启用分布式训练。该参数默认为1
    • trainer_id (int) – 必须与 num_trainers 参数同时使用。trainer_id 是当前所在node的 “rank”(层级),从0开始计数。该参数默认为0
    • scope (Scope) – 指定执行program所在的作用域, 默认使用 fluid.global_scope()返回:初始化后的 ParallelExecutor 对象

返回类型: ParallelExecutor

抛出异常:TypeError - 如果提供的参数 share_vars_from 不是 ParallelExecutor 类型的,将会弹出此异常

代码示例

  1. train_exe = fluid.ParallelExecutor(use_cuda=True, loss_name=loss.name)
  2. test_exe = fluid.ParallelExecutor(use_cuda=True,
  3. main_program=test_program,
  4. share_vars_from=train_exe)
  5.  
  6. train_loss, = train_exe.run([loss.name], feed=feed_dict)
  7. test_loss, = test_exe.run([loss.name], feed=feed_dict)
  • run(fetch_list, feed=None, feed_dict=None, return_numpy=True)
  • 使用 fetch_list 执行一个 ParallelExecutor 对象。

参数 feed 可以是 dict 或者 list 类型变量。如果该参数是 dict 类型,feed中的数据将会被分割(split)并分送给多个设备(CPU/GPU)。反之,如果它是 list ,则列表中的各个元素都会直接分别被拷贝到各设备中。

例如,如果 feed 是个 dict 类型变量,则有

  1. exe = ParallelExecutor()
  2. # 图像会被split到设备中。假设有两个设备,那么每个设备将会处理形为 (24, 1, 28, 28)的图像
  3. exe.run(feed={'image': numpy.random.random(size=(48, 1, 28, 28))})

如果 feed 是个 list 类型变量,则有

  1. exe = ParallelExecutor()
  2. # 各设备挨个处理列表中的每个元素
  3. # 第一个设备处理形为 (48, 1, 28, 28) 的图像
  4. # 第二个设备处理形为 (32, 1, 28, 28) 的图像
  5. #
  6. # 使用 exe.device_count 得到设备数目
  7. exe.run(feed=[{"image": numpy.random.random(size=(48, 1, 28, 28))},
  8. {"image": numpy.random.random(size=(32, 1, 28, 28))},
  9. ])
  • 参数:
    • fetch_list (list) – 获取的变量名列表
    • feed (list|dict|None) – feed变量。 如果该参数是 dict 类型,feed中的数据将会被分割(split)并分送给多个设备(CPU/GPU)。反之,如果它是 list ,则列表中的各个元素都直接分别被拷贝到各设备中。默认为None
    • feed_dict – 该参数已经停止使用。feed参数的别名, 为向后兼容而立。默认为None
    • return_numpy (bool) – 是否将fetched tensor转换为numpy。默认为True返回: 获取的结果列表

返回类型:List

  • 抛出异常:
    • ValueError - 如果feed参数是list类型,但是它的长度不等于可用设备(执行场所)的数目,再或者给定的feed不是dict类型,抛出此异常
    • TypeError - 如果feed参数是list类型,但是它里面的元素不是dict类型时,弹出此异常

注解

  • 如果feed参数为dict类型,那么传入 ParallelExecutor 的数据量 必须 大于可用的CPU核数或GPU卡数。否则,C++端将会抛出异常。应额外注意核对数据集的最后一个batch是否比可用的CPU核数或GPU卡数大。
  • 如果可用的CPU核数或GPU卡数大于一个,则为每个变量最后获取的结果都是list类型,且这个list中的每个元素都是各CPU核或GPU卡上的变量

代码示例

  1. pe = fluid.ParallelExecutor(use_cuda=use_cuda,
  2. loss_name=avg_cost.name,
  3. main_program=fluid.default_main_program())
  4. loss = pe.run(feed=feeder.feed(cur_batch),
  5. fetch_list=[avg_cost.name]))

ParamAttr

SourceEnglish

  • class paddle.fluid.ParamAttr(name=None, initializer=None, learning_rate=1.0, regularizer=None, trainable=True, gradient_clip=None, do_model_average=False)
  • 该类代表了参数的各种属性。 为了使神经网络训练过程更加流畅,用户可以根据需要调整参数属性。比如learning rate(学习率), regularization(正则化), trainable(可训练性), do_model_average(平均化模型)和参数初始化方法.

  • 参数:

    • name (str) – 参数名。默认为None。
    • initializer (Initializer) – 初始化该参数的方法。 默认为None
    • learning_rate (float) – 参数的学习率。计算方法为fluid - 图6。 默认为1.0
    • regularizer (WeightDecayRegularizer) – 正则因子. 默认为None
    • trainable (bool) – 该参数是否可训练。默认为True
    • gradient_clip (BaseGradientClipAttr) – 减少参数梯度的方法。默认为None
    • do_model_average (bool) – 该参数是否服从模型平均值。默认为False代码示例
  1. w_param_attrs = fluid.ParamAttr(name="fc_weight",
  2. learning_rate=0.5,
  3. regularizer=fluid.L2Decay(1.0),
  4. trainable=True)
  5. y_predict = fluid.layers.fc(input=x, size=10, param_attr=w_param_attrs)

Program

SourceEnglish

  • class paddle.fluid.Program
  • 创建python program, 在paddleFluid内部会被转换为ProgramDesc描述语言,用来创建一段 c++ 程序。Program像容器一样,是一种自包含的程序语言。Program中包括至少一个块(Block),当 block 中存在条件选择的控制流op(例如 while_op)时,该Program将会含有嵌套块(nested block)。详情请参阅framework.proto。

注意:默认情况下,paddleFluid内部默认含有 default_startup_programdefault_main_program ,它们将共享参数。 default_startup_program 只运行一次来初始化参数, default_main_program 在每个mini batch中运行并调整权重。

返回: empty program

代码示例

  1. main_program = fluid.Program()
  2. startup_program = fluid.Program()
  3. with fluid.program_guard(main_program=main_program, startup_program=startup_program):
  4. fluid.layers.data(name="x", shape=[-1, 784], dtype='float32')
  5. fluid.layers.data(name="y", shape=[-1, 1], dtype='int32')
  6. fluid.layers.fc(name="fc", shape=[10], dtype='float32', act="relu")
  • op_role
  • operator的角色,值只能是枚举变量{Forward, Backward, Optimize}。

注意:这是一个底层API。它仅用于 ParallelExecutor 复制或调度operator到设备。

例如,Forward operator应该在每个设备上执行。Backward operator在每个设备上执行,并将后向传播的参数梯度(使用 op_role_var 获得该变量)合并到一个设备上。Optimize operator只在一个设备上执行,并向其他设备广播新的参数,

  • set_op_role
  • operator的角色,值只能是枚举变量{Forward, Backward, Optimize}。

注意:这是一个底层API。它仅用于 ParallelExecutor 复制或调度operator到设备上执行。

例如,Forward operator应该在每个设备上执行。Backward operato应该在每个设备上执行,并将后向传播的参数梯度(使用op_role_var获得该变量)合并到一个设备上。Optimize operator只在一个设备上执行,并向其他设备广播新的参数

  • op_role_var
  • op_role 的辅助变量。

参考: Program.op_role 文档。

注意:这是一个底层API,用户不应该直接使用它。

  • set_op_role_var
  • op_role 的辅助变量。

参考: Program.op_role 文档。

注意:这是一个底层API。用户不应该直接使用它。

  • tostring(_throw_on_error, with_details=False)
  • 用于debug

  • 参数:

    • throw_on_error (bool): 没有设置任何必需的字段时,抛出值错误。
    • 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): debug 字符串

返回类型: str

  • 抛出异常:
    • ValueError - 当 throw_on_error == true ,但没有设置任何必需的字段时,抛出 ValueError
  • clone(for_test=False)
  • 创建一个新的、相同的Program。

有些operator,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,该Program用于训练时,将 for_test 设置为False。
  • 克隆Program,该Program用于测试时,将 for_test 设置为True。注意:此API不会删除任何操作符。请在backward和optimization之前使用clone(for_test=True)。

代码示例

  1. test_program = fluid.default_main_program().clone(for_test=True)
  2. optimizer = fluid.optimizer.Momentum(learning_rate=0.01, momentum=0.9)
  3. optimizer.minimize()
  • 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返回:一个新的、相同的Program

返回类型:Program

代码示例

1.克隆一个Program,示例代码如下:

  1. train_program = fluid.Program()
  2. startup_program = fluid.Program()
  3. with fluid.program_guard(train_program, startup_program):
  4. img = fluid.layers.data(name='image', shape=[784])
  5. hidden = fluid.layers.fc(input=img, size=200, act='relu')
  6. hidden = fluid.layers.dropout(hidden, dropout_prob=0.5)
  7. loss = fluid.layers.cross_entropy(
  8. input=fluid.layers.fc(hidden, size=10, act='softmax'),
  9. label=fluid.layers.data(name='label', shape=[1], dtype='int64'))
  10. test_program = train_program.clone(for_test=True)
  11. sgd = fluid.optimizer.SGD(learning_rate=1e-3)
  12. with fluid.program_guard(train_program, startup_program):
  13. sgd.minimize(loss)

2.如果分别运行 train Program 和 test Program,则可以不使用clone。

  1. import paddle.fluid as fluid
  2.  
  3. def network(is_test):
  4. img = fluid.layers.data(name='image', shape=[784])
  5. hidden = fluid.layers.fc(input=img, size=200, act='relu')
  6. hidden = fluid.layers.dropout(hidden, dropout_prob=0.5, is_test=is_test)
  7. loss = fluid.layers.cross_entropy(
  8. input=fluid.layers.fc(hidden, size=10, act='softmax'),
  9. label=fluid.layers.data(name='label', shape=[1], dtype='int64'))
  10. return loss
  11.  
  12. train_program = fluid.Program()
  13. startup_program = fluid.Program()
  14. test_program = fluid.Program()
  15.  
  16. with fluid.program_guard(train_program, startup_program):
  17. with fluid.unique_name.guard():
  18. loss = network(is_test=False)
  19. sgd = fluid.optimizer.SGD(learning_rate=1e-3)
  20. sgd.minimize(loss)
  21.  
  22. # 不使用测试阶段的startup program
  23. with fluid.program_guard(test_program, fluid.Program()):
  24. with fluid.unique_name.guard():
  25. loss = network(is_test=True)

上边两个代码片段生成的Program是一样的。

  • static parsefrom_string(_binary_str)
  • 反序列化protobuf,转换成program

注意:在序列化和反序列化之后,所有关于参数的信息都会丢失。

  • 参数:
    • binary_str_type (str) – prootbuf二进制字符串返回: 反序列化后的ProgramDesc

返回类型:Program

  • num_blocks
  • 该program中的block的个数

  • random_seed

  • 程序中随机运算符的默认随机种子。0意味着从随机设备中获取随机种子。

注意:必须在operator被添加之前设置。

  • global_block()
  • 获取该program的第一个block。

  • block(index)

  • 返回该program中 , index 指定的block。 index 类型为int

返回:index对应的block

返回类型:Block

  • current_block()
  • 获取当前block。当前block是用来添加operators。

  • 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

返回类型:iterable

program_guard

SourceEnglish

  • paddle.fluid.programguard(_main_program, startup_program=None)
  • 该函数应配合使用python的“with”语句来改变全局主程序(main program)和启动程序(startup program)。

“with”语句块中的layer函数将在新的main program(主程序)中添加operators(算子)和variables(变量)。

代码示例

  1. import paddle.fluid as fluid
  2. main_program = fluid.Program()
  3. startup_program = fluid.Program()
  4. with fluid.program_guard(main_program, startup_program):
  5. data = fluid.layers.data(...)
  6. hidden = fluid.layers.fc(...)

需要注意的是,如果用户不需要构建自己的启动程序或者主程序,一个临时的program将会发挥作用。

代码示例

  1. import paddle.fluid as fluid
  2. main_program = fluid.Program()
  3. # 如果您不需要关心startup program,传入一个临时值即可
  4. with fluid.program_guard(main_program, fluid.Program()):
  5. data = ...
  • 参数:
    • main_program (Program) – “with”语句中将使用的新的main program。
    • startup_program (Program) – “with”语句中将使用的新的startup program。若传入 None 则不改变当前的启动程序。

release_memory

SourceEnglish

  • paddle.fluid.releasememory(_input_program, skip_opt_set=None)
  • 该函数可以调整输入program,插入 delete_op 删除算子,提前删除不需要的变量。改动是在变量本身上进行的。

提醒: 该API还在试验阶段,会在后期版本中删除。不建议用户使用。

  • 参数:
    • input_program (Program) – 在此program中插入 delete_op
    • skip_opt_set (set) – 在内存优化时跳过的变量的集合返回: None

scope_guard

SourceEnglish

  • paddle.fluid.scopeguard(_scope)
  • 修改全局/默认作用域(scope), 运行时中的所有变量都将分配给新的scope。

  • 参数:

    • scope - 新的全局/默认 scope。代码示例
  1. import paddle.fluid as fluid
  2.  
  3. new_scope = fluid.Scope()
  4. with fluid.scope_guard(new_scope):
  5. ...

Tensor

SourceEnglish

  • paddle.fluid.Tensor()
  • LoDTensor 的别名

WeightNormParamAttr

SourceEnglish

  • class paddle.fluid.WeightNormParamAttr(dim=None, name=None, initializer=None, learning_rate=1.0, regularizer=None, trainable=True, gradient_clip=None, do_model_average=False)
  • 权重归一化。权重归一化是将权重向量的长度与其方向解耦。Weight Normalization: A Simple Reparameterization to Accelerate Training of Deep Neural Networks 这篇paper中讨论了权重归一化的实现

  • 参数:

    • dim (list) - 参数的名称。默认None。
    • name (str) - 参数的名称。默认None。
    • initializer (initializer) - 初始化参数的方法。默认None。
    • learning_rate (float) - 学习率。优化时学习速率fluid - 图7。默认1.0。
    • regularizer (WeightDecayRegularizer) - 正则化因子。默认None。
    • trainable (bool) - 参数是否可训练。默认True。
    • gradient_clip (BaseGradientClipAttr) - 梯度下降裁剪(Gradient Clipping)的方法。默认None。
    • do_model_average (bool) - 参数是否应该model average。默认False。返回: empty program

代码示例

  1. data = fluid.layers.data(name="data", shape=[3, 32, 32], dtype="float32")
  2. fc = fluid.layers.fc(input=data,
  3. size=1000,
  4. param_attr=WeightNormParamAttr(
  5. dim=None,
  6. name='weight_norm_param'))