fluid

SourceEnglish

BuildStrategy

• 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

import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.reduce_strategy = fluid.BuildStrategy.ReduceStrategy.Reduce

• 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”“。

代码示例

import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.debug_graphviz_path = ""

• 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。

代码示例

import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.enable_sequential_execution = True

• fuse_broadcast_ops

• bool类型。它表明了是否融合（fuse）broadcast ops。值得注意的是，在Reduce模式中，融合broadcast ops可以使程序运行更快，因为这个过程等同于延迟执行所有的broadcast ops。在这种情况下，所有的nccl streams仅用于一段时间内的NCCLReduce操作。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。

代码示例

import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.fuse_elewise_add_act_ops = True

• 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。

代码示例

import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.fuse_relu_depthwise_conv = True

• gradient_scale_strategy
• str类型。在 ParallelExecutor 中，存在三种定义 loss@grad 的方式，分别为 CoeffNumDevice, One 与 Customized。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 。

代码示例

import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.gradient_scale_strategy = True

• memory_optimize

• bool类型。设为True时可用于减少总内存消耗。为实验性属性，一些变量可能会被优化策略重用/移除。如果你需要在使用该特征时获取某些变量，请把变量的persistable property设为True。默认为False。

• reduce_strategy

• str类型。在 ParallelExecutor 中，存在两种减少策略（reduce strategy），即 AllReduce 和 Reduce 。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 。

代码示例

import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.reduce_strategy = fluid.BuildStrategy.ReduceStrategy.Reduce

• 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。

代码示例

import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.remove_unnecessary_lock = 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。

代码示例

import paddle.fluid as fluid
build_strategy = fluid.BuildStrategy()
build_strategy.sync_batch_norm = True

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。注意：此部分尚未完成。代码示例

import paddle.fluid as fluid
import paddle.fluid.compiler as compiler
import numpy
import os
 
place = fluid.CUDAPlace(0) # fluid.CPUPlace()
exe = fluid.Executor(place)
 
data = fluid.layers.data(name='X', shape=[1], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
 
fluid.default_startup_program().random_seed=1
exe.run(fluid.default_startup_program())
compiled_prog = compiler.CompiledProgram(
         fluid.default_main_program())
 
x = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = exe.run(compiled_prog,
                     feed={"X": x},
                     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。

代码示例

import paddle.fluid as fluid
import paddle.fluid.compiler as compiler
import numpy
import os
 
use_cuda = True
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
#注意：如果你使用CPU运行程序，需要具体设置CPU_NUM，
#否则fluid会把逻辑核的所有数目设为CPU_NUM，
#在这种情况下，输入的batch size应大于CPU_NUM，
#否则程序会异常中断。
if not use_cuda:
    os.environ['CPU_NUM'] = str(2)
 
exe = fluid.Executor(place)
 
data = fluid.layers.data(name='X', shape=[1], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
 
fluid.default_startup_program().random_seed=1
exe.run(fluid.default_startup_program())
compiled_prog = compiler.CompiledProgram(
         fluid.default_main_program()).with_data_parallel(
                  loss_name=loss.name)
 
x = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = exe.run(compiled_prog,
                     feed={"X": x},
                     fetch_list=[loss.name])

• 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 ，则设备数目默认为1，也就是说， CPU_NUM =1。

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

返回类型：out (list(fluid.CPUPlace))

代码示例

import paddle.fluid as fluid
cpu_places = fluid.cpu_places()

CPUPlace

• 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。

代码示例

import paddle.fluid as fluid
cpu_place = fluid.CPUPlace()

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]]。

import paddle.fluid as fluid
import numpy as np
 
t = fluid.create_lod_tensor(np.ndarray([5, 30]), [[2, 3]], fluid.CPUPlace())

参考 张量 以获取更多关于LoD的信息。

• 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，包含张量数据和 recursive_seq_lens 信息

代码示例

import paddle.fluid as fluid
 
t = fluid.create_random_int_lodtensor(recursive_seq_lens=[[2, 3]],base_shape=[30], place=fluid.CPUPlace(), low=0, high=10)

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))

代码示例

import paddle.fluid as fluid
cuda_pinned_places_cpu_num = fluid.cuda_pinned_places()
# 或者
cuda_pinned_places = fluid.cuda_pinned_places(1)

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))

代码示例

import paddle.fluid as fluid
cuda_places = fluid.cuda_places()

CUDAPinnedPlace

• 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。

代码示例

import paddle.fluid as fluid
place = fluid.CUDAPinnedPlace()

CUDAPlace

• 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。

代码示例

import paddle.fluid as fluid
gpu_place = fluid.CUDAPlace(0)

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。

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：

import paddle.fluid as fluid
f = open("data.proto", "w")
print >> f, 'name: "MultiSlotDataFeed"'
print >> f, 'batch_size: 2'
print >> f, 'multi_slot_desc {'
print >> f, '    slots {'
print >> f, '         name: "words"'
print >> f, '         type: "uint64"'
print >> f, '         is_dense: false'
print >> f, '         is_used: true'
print >> f, '     }'
print >> f, '     slots {'
print >> f, '         name: "label"'
print >> f, '         type: "uint64"'
print >> f, '         is_dense: false'
print >> f, '         is_used: true'
print >> f, '    }'
print >> f, '}'
f.close()
data_feed = fluid.DataFeedDesc('data.proto')

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:

import paddle.fluid as fluid
data_feed = fluid.DataFeedDesc('data.proto')
data_feed.set_batch_size(128)
data_feed.set_dense_slots('wd')  # 名为'wd'的slot将被设置为密集的
data_feed.set_use_slots('wd')    # 名为'wd'的slot将被用于训练
 
# 最后，可以打印变量详细信息便于排出错误
 
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：

import paddle.fluid as fluid
f = open("data.proto", "w")
print >> f, 'name: "MultiSlotDataFeed"'
print >> f, 'batch_size: 2'
print >> f, 'multi_slot_desc {'
print >> f, '    slots {'
print >> f, '         name: "words"'
print >> f, '         type: "uint64"'
print >> f, '         is_dense: false'
print >> f, '         is_used: true'
print >> f, '     }'
print >> f, '     slots {'
print >> f, '         name: "label"'
print >> f, '         type: "uint64"'
print >> f, '         is_dense: false'
print >> f, '         is_used: true'
print >> f, '    }'
print >> f, '}'
f.close()
data_feed = fluid.DataFeedDesc('data.proto')
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：

import paddle.fluid as fluid
f = open("data.proto", "w")
print >> f, 'name: "MultiSlotDataFeed"'
print >> f, 'batch_size: 2'
print >> f, 'multi_slot_desc {'
print >> f, '    slots {'
print >> f, '         name: "words"'
print >> f, '         type: "uint64"'
print >> f, '         is_dense: false'
print >> f, '         is_used: true'
print >> f, '     }'
print >> f, '     slots {'
print >> f, '         name: "label"'
print >> f, '         type: "uint64"'
print >> f, '         is_dense: false'
print >> f, '         is_used: true'
print >> f, '    }'
print >> f, '}'
f.close()
data_feed = fluid.DataFeedDesc('data.proto')
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：

import paddle.fluid as fluid
f = open("data.proto", "w")
print >> f, 'name: "MultiSlotDataFeed"'
print >> f, 'batch_size: 2'
print >> f, 'multi_slot_desc {'
print >> f, '    slots {'
print >> f, '         name: "words"'
print >> f, '         type: "uint64"'
print >> f, '         is_dense: false'
print >> f, '         is_used: true'
print >> f, '     }'
print >> f, '     slots {'
print >> f, '         name: "label"'
print >> f, '         type: "uint64"'
print >> f, '         is_dense: false'
print >> f, '         is_used: true'
print >> f, '    }'
print >> f, '}'
f.close()
data_feed = fluid.DataFeedDesc('data.proto')
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：

import paddle.fluid as fluid
f = open("data.proto", "w")
print >> f, 'name: "MultiSlotDataFeed"'
print >> f, 'batch_size: 2'
print >> f, 'multi_slot_desc {'
print >> f, '    slots {'
print >> f, '         name: "words"'
print >> f, '         type: "uint64"'
print >> f, '         is_dense: false'
print >> f, '         is_used: true'
print >> f, '     }'
print >> f, '     slots {'
print >> f, '         name: "label"'
print >> f, '         type: "uint64"'
print >> f, '         is_dense: false'
print >> f, '         is_used: true'
print >> f, '    }'
print >> f, '}'
f.close()
data_feed = fluid.DataFeedDesc('data.proto')
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 Executor 和 ParallelExecutor 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：

import paddle.fluid as fluid
place = fluid.CPUPlace()
img = fluid.layers.data(name='image', shape=[1, 28, 28])
label = fluid.layers.data(name='label', shape=[1], dtype='int64')
feeder = fluid.DataFeeder([img, label], fluid.CPUPlace())
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。

import paddle
import paddle.fluid as fluid
 
place=fluid.CUDAPlace(0)
data = fluid.layers.data(name='data', shape=[3, 224, 224], dtype='float32')
label = fluid.layers.data(name='label', shape=[1], dtype='int64')
 
feeder = fluid.DataFeeder(place=place, feed_list=[data, label])
reader = feeder.decorate_reader(
      paddle.batch(paddle.dataset.flowers.train(), batch_size=16), multi_devices=False)

• 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

import numpy as np
import paddle
import paddle.fluid as fluid
 
place = fluid.CPUPlace()
 
def reader():
    yield [np.random.random([4]).astype('float32'), np.random.random([3]).astype('float32')],
 
main_program = fluid.Program()
startup_program = fluid.Program()
 
with fluid.program_guard(main_program, startup_program):
      data_1 = fluid.layers.data(name='data_1', shape=[1, 2, 2])
      data_2 = fluid.layers.data(name='data_2', shape=[1, 1, 3])
      out = fluid.layers.fc(input=[data_1, data_2], size=2)
      # ...
 
feeder = fluid.DataFeeder([data_1, data_2], place)
 
exe = fluid.Executor(place)
exe.run(startup_program)
for data in reader():
    outs = exe.run(program=main_program,
                   feed=feeder.feed(data),
                   fetch_list=[out]))

• 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 Executor 和 ParallelExecutor 中。

• 参数:

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

返回类型: dict

代码示例

import numpy.random as random
import paddle.fluid as fluid
 
def reader(limit=5):
    for i in range(limit):
        yield random.random([784]).astype('float32'), random.random([1]).astype('int64'), random.random([256]).astype('float32')
 
data_1 = fluid.layers.data(name='data_1', shape=[1, 28, 28])
data_2 = fluid.layers.data(name='data_2', shape=[1], dtype='int64')
data_3 = fluid.layers.data(name='data_3', shape=[16, 16], dtype='float32')
feeder = fluid.DataFeeder(['data_1','data_2', 'data_3'], fluid.CPUPlace())
 
result = feeder.feed(reader())

• 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

代码示例

import numpy.random as random
import paddle.fluid as fluid
 
def reader(limit=10):
    for i in range(limit):
        yield [random.random([784]).astype('float32'), random.randint(10)],
 
x = fluid.layers.data(name='x', shape=[1, 28, 28])
y = fluid.layers.data(name='y', shape=[1], dtype='int64')
 
feeder = fluid.DataFeeder(['x','y'], fluid.CPUPlace())
place_num = 2
places = [fluid.CPUPlace() for x in range(place_num)]
data = []
exe = fluid.Executor(fluid.CPUPlace())
exe.run(fluid.default_startup_program())
program = fluid.CompiledProgram(fluid.default_main_program()).with_data_parallel(places=places)
for item in reader():
    data.append(item)
    if place_num == len(data):
        exe.run(program=program, feed=list(feeder.feed_parallel(data, place_num)), fetch_list=[])
        data = []

• 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_devices 为 True , 可以使用此参数来设置GPU数目。如果 multi_devices 为 None ，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

代码示例

import numpy.random as random
import paddle
import paddle.fluid as fluid
 
def reader(limit=5):
    for i in range(limit):
        yield (random.random([784]).astype('float32'), random.random([1]).astype('int64')),
 
place=fluid.CUDAPlace(0)
data = fluid.layers.data(name='data', shape=[1, 28, 28], dtype='float32')
label = fluid.layers.data(name='label', shape=[1], dtype='int64')
 
feeder = fluid.DataFeeder(place=place, feed_list=[data, label])
reader = feeder.decorate_reader(reader, multi_devices=False)
 
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
for data in reader():
    exe.run(feed=data)

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

代码示例

import paddle.fluid as fluid
 
# Sample Network:
data = fluid.layers.data(name='image', shape=[3, 224, 224], dtype='float32')
label = fluid.layers.data(name='label', shape=[1], dtype='int64')
 
conv1 = fluid.layers.conv2d(data, 4, 5, 1, act=None)
bn1 = fluid.layers.batch_norm(conv1, act='relu')
pool1 = fluid.layers.pool2d(bn1, 2, 'max', 2)
conv2 = fluid.layers.conv2d(pool1, 16, 5, 1, act=None)
bn2 = fluid.layers.batch_norm(conv2, act='relu')
pool2 = fluid.layers.pool2d(bn2, 2, 'max', 2)
 
fc1 = fluid.layers.fc(pool2, size=50, act='relu')
fc2 = fluid.layers.fc(fc1, size=102, act='softmax')
 
loss = fluid.layers.cross_entropy(input=fc2, label=label)
loss = fluid.layers.mean(loss)
opt = fluid.optimizer.Momentum(
    learning_rate=0.1,
    momentum=0.9,
    regularization=fluid.regularizer.L2Decay(1e-4))
opt.minimize(loss)
 
print(fluid.default_main_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

代码示例：

import paddle.fluid as fluid
 
main_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(main_program=main_program, startup_program=startup_program):
    x = fluid.layers.data(name="x", shape=[-1, 784], dtype='float32')
    y = fluid.layers.data(name="y", shape=[-1, 1], dtype='int32')
    z = fluid.layers.fc(name="fc", input=x, size=10, act="relu")
 
    print("main program is: {}".format(fluid.default_main_program()))
    print("start up program is: {}".format(fluid.default_startup_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 将 trainer_id , num_trainers 参数提供给 ParallelExecutor 来启动NCCL2分布式模式。

代码示例

import paddle.fluid as fluid
x = fluid.layers.data(name='x', shape=[13], dtype='float32')
y = fluid.layers.data(name='y', shape=[1], dtype='float32')
y_predict = fluid.layers.fc(input=x, size=1, act=None)
 
cost = fluid.layers.square_error_cost(input=y_predict, label=y)
avg_loss = fluid.layers.mean(cost)
 
sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)
sgd_optimizer.minimize(avg_loss)
 
#pserver模式下
pserver_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
trainer_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
current_endpoint = "192.168.0.1:6174"
trainer_id = 0
trainers = 4
role = "PSERVER"
 
t = fluid.DistributeTranspiler()
t.transpile(trainer_id, pservers=pserver_endpoints, trainers=trainers)
if role == "PSERVER":
   pserver_program = t.get_pserver_program(current_endpoint)
   pserver_startup_program = t.get_startup_program(current_endpoint, pserver_program)
elif role == "TRAINER":
   trainer_program = t.get_trainer_program()
 
# nccl2模式下
trainer_num = 2
trainer_id = 0
config = fluid.DistributeTranspilerConfig()
config.mode = "nccl2"
trainer_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
t = fluid.DistributeTranspiler(config=config)
t.transpile(trainer_id=trainer_id, trainers=trainer_endpoints, current_endpoint="192.168.0.1:6174")
exe = fluid.ParallelExecutor(
   loss_name=avg_loss.name,
   num_trainers=len(trainer_num,
   trainer_id=trainer_id
)

• 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）。转译输入程序。

• 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模式不使用该参数代码示例

import paddle.fluid as fluid
transpiler = fluid.DistributeTranspiler()
t.transpile(
    trainer_id=0,
    pservers="127.0.0.1:7000,127.0.0.1:7001",
    trainers=2,
    sync_mode=False,
    current_endpoint="127.0.0.1:7000")

• 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

代码示例

import paddle.fluid as fluid
#this is an example, find available endpoints in your case
pserver_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
trainer_id = 0
trainers = 4
t = fluid.DistributeTranspiler()
t.transpile(trainer_id, trainers=trainers, pservers=pserver_endpoints)
trainer_program = t.get_trainer_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

代码示例

import paddle.fluid as fluid
#this is an example, find available endpoints in your case
pserver_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
current_endpoint = "192.168.0.1:6174"
trainer_id = 0
trainers = 4
t = fluid.DistributeTranspiler()
t.transpile(
     trainer_id, pservers=pserver_endpoints, trainers=trainers)
pserver_program = t.get_pserver_program(current_endpoint)

• getpserver_programs(_endpoint)

• 该方法可以得到Pserver侧用于分布式训练的 main_program 和 startup_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

代码示例

import paddle.fluid as fluid
#this is an example, find available endpoints in your case
pserver_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
current_endpoint = "192.168.0.1:6174"
trainer_id = 0
trainers = 4
t = fluid.DistributeTranspiler()
t.transpile(
     trainer_id, pservers=pserver_endpoints, trainers=trainers)
pserver_program, pserver_startup_program = t.get_pserver_programs(current_endpoint)

• 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

代码示例

import paddle.fluid as fluid
pserver_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
trainer_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
current_endpoint = "192.168.0.1:6174"
trainer_id = 0
trainers = 4
 
t = fluid.DistributeTranspiler()
t.transpile(trainer_id, pservers=pserver_endpoints, trainers=trainers)
pserver_program = t.get_pserver_program(current_endpoint)
pserver_startup_program = t.get_startup_program(current_endpoint,
                                                pserver_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。

代码示例

import paddle.fluid as fluid
config = fluid.DistributeTranspilerConfig()
config.slice_var_up = True

ExecutionStrategy

• 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

import paddle.fluid as fluid
x = fluid.layers.data(name='x', shape=[13], dtype='float32')
y = fluid.layers.data(name='y', shape=[1], dtype='float32')
y_predict = fluid.layers.fc(input=x, size=1, act=None)
 
cost = fluid.layers.square_error_cost(input=y_predict, label=y)
avg_loss = fluid.layers.mean(cost)
 
sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)
sgd_optimizer.minimize(avg_loss)
 
exec_strategy = fluid.ExecutionStrategy()
exec_strategy.num_threads = 4
 
train_exe = fluid.ParallelExecutor(use_cuda=False,
                                   loss_name=avg_loss.name,
                                 exec_strategy=exec_strategy)

• 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迭代次数。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1。

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_iteration_per_run

• 它配置了当用户在python脚本中调用pe.run()时执行器会执行的迭代次数。

• 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

，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， ；对CPU， 。在 ParallelExecutor 中有关于 的详细解释。如果没有设置 ， ParallelExecutor 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

import paddle.fluid as fluid
import paddle.fluid.compiler as compiler
import numpy
import os
 
use_cuda = True
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
exe = fluid.Executor(place)
 
train_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(train_program, startup_program):
    data = fluid.layers.data(name='X', shape=[1], dtype='float32')
    hidden = fluid.layers.fc(input=data, size=10)
    loss = fluid.layers.mean(hidden)
    fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
 
# 仅运行一次startup program
# 不需要优化/编译这个startup program
startup_program.random_seed=1
exe.run(startup_program)
 
# 无需编译，直接运行main program
x = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = exe.run(train_program,
                 feed={"X": x},
                 fetch_list=[loss.name])
 
# 另一种方法是，编译这个main program然后运行。
# 参考CompiledProgram以获取更多信息。
# 注意：如果你使用CPU运行程序，需要具体设置CPU_NUM，
# 否则fluid会把逻辑核的所有数目设为CPU_NUM，
# 在这种情况下，输入的batch size应大于CPU_NUM，
# 否则程序会异常中断。
if not use_cuda:
    os.environ['CPU_NUM'] = str(2)
 
compiled_prog = compiler.CompiledProgram(
    train_program).with_data_parallel(
    loss_name=loss.name)
loss_data, = exe.run(compiled_prog,
                     feed={"X": x},
                     fetch_list=[loss.name])

• 参数:
• • place (fluid.CPUPlace|fluid.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

import paddle.fluid as fluid
 
cpu = fluid.CPUPlace()
exe = fluid.Executor(cpu)
# 执行训练或测试过程
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。

示例代码

import paddle.fluid as fluid
import numpy
 
#首先创建执行引擎
place = fluid.CPUPlace() # fluid.CUDAPlace(0)
exe = fluid.Executor(place)
 
data = fluid.layers.data(name='X', shape=[1], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
adam = fluid.optimizer.Adam()
adam.minimize(loss)
 
#仅运行startup程序一次
exe.run(fluid.default_startup_program())
 
x = numpy.random.random(size=(10, 1)).astype('float32')
outs = exe.run(feed={'X': x},
               fetch_list=[loss.name])

• 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)

• inferfrom_dataset(_program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)

• infer_from_dataset的文档与train_from_dataset几乎完全相同，只是在分布式训练中，推进梯度将在infer_from_dataset中禁用。 infer_from_dataset（）可以非常容易地用于多线程中的评估。

• 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)
  • dataset (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义的数据集。必要时请检查Dataset文件。默认为None
  • scope (Scope) – 执行这个program的域，用户可以指定不同的域。默认为全局域
  • thread (int) – 用户想要在这个函数中运行的线程数量。线程的实际数量为min(Dataset.thread_num, thread)，如果thread > 0，默认为0
  • debug (bool) – 是否开启debug模式，默认为False
  • fetch_list (Variable List) – 返回变量列表，每个变量都会在训练过程中被打印出来，默认为None
  • fetch_info (String List) – 每个变量的打印信息，默认为None
  • print_period (int) – 每两次打印之间间隔的mini-batches的数量，默认为100返回: None

示例代码

import paddle.fluid as fluid
place = fluid.CPUPlace() # 使用GPU时可设置place = fluid.CUDAPlace(0)
exe = fluid.Executor(place)
x = fluid.layers.data(name="x", shape=[10, 10], dtype="int64")
y = fluid.layers.data(name="y", shape=[1], dtype="int64", lod_level=1)
dataset = fluid.DatasetFactory().create_dataset()
dataset.set_use_var([x, y])
dataset.set_thread(1)
filelist = [] # 您可以设置您自己的filelist，如filelist = ["dataA.txt"]
dataset.set_filelist(filelist)
exe.run(fluid.default_startup_program())
exe.infer_from_dataset(program=fluid.default_main_program(),dataset=dataset)

• trainfrom_dataset(_program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
• 从预定义的数据集中训练。 数据集在paddle.fluid.dataset中定义。 给定程序（或编译程序），train_from_dataset将使用数据集中的所有数据样本。 输入范围可由用户给出。 默认情况下，范围是global_scope()。训练中的线程总数是thread。 训练中使用的线程数将是数据集中threadnum的最小值，同时也是此接口中线程的值。 可以设置debug，以便执行器显示所有算子的运行时间和当前训练任务的吞吐量。

注意：train_from_dataset将销毁每次运行在executor中创建的所有资源。

• 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)
  • dataset (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义的数据集。必要时请检查Dataset文件。默认为None
  • scope (Scope) – 执行这个program的域，用户可以指定不同的域。默认为全局域
  • thread (int) – 用户想要在这个函数中运行的线程数量。线程的实际数量为min(Dataset.thread_num, thread)，如果thread > 0，默认为0
  • debug (bool) – 是否开启debug模式，默认为False
  • fetch_list (Variable List) – 返回变量列表，每个变量都会在训练过程中被打印出来，默认为None
  • fetch_info (String List) – 每个变量的打印信息，默认为None
  • print_period (int) – 每两次打印之间间隔的mini-batches的数量，默认为100返回: None

示例代码

import paddle.fluid as fluid
 
place = fluid.CPUPlace() # 通过设置place = fluid.CUDAPlace(0)使用GPU
exe = fluid.Executor(place)
x = fluid.layers.data(name="x", shape=[10, 10], dtype="int64")
y = fluid.layers.data(name="y", shape=[1], dtype="int64", lod_level=1)
dataset = fluid.DatasetFactory().create_dataset()
dataset.set_use_var([x, y])
dataset.set_thread(1)
filelist = [] # 您可以设置您自己的filelist，如filelist = ["dataA.txt"]
dataset.set_filelist(filelist)
exe.run(fluid.default_startup_program())
exe.infer_from_dataset(program=fluid.default_main_program(),
                       dataset=dataset)

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 。

示例代码

import paddle.fluid as fluid
import numpy
 
fluid.global_scope().var("data").get_tensor().set(numpy.ones((2, 2)), fluid.CPUPlace())
numpy.array(fluid.global_scope().find_var("data").get_tensor())

返回：全局/默认作用域实例

返回类型：Scope

gradients

SourceEnglish

• paddle.fluid.gradients(targets, inputs, target_gradients=None, no_grad_set=None)

• 将目标梯度反向传播到输入。

• 参数：

• • targets (Variable|list[Variable]) – 目标变量
  • inputs (Variable|list[Variable]) – 输入变量
  • target_gradients (Variable|list[Variable]|None) – 目标的梯度变量，应与目标变量形状相同；如果设置为None，则以1初始化所有梯度变量
  • no_grad_sethread (set[string]) – 在Block 0中不具有梯度的变量，所有block中被设置 stop_gradient=True 的变量将被自动加入该set返回：数组，包含与输入对应的梯度。如果一个输入不影响目标函数，则对应的梯度变量为None

返回类型：(list[Variable])

示例代码

import paddle.fluid as fluid
 
x = fluid.layers.data(name='x', shape=[2,8,8], dtype='float32')
x.stop_gradient=False
y = fluid.layers.conv2d(x, 4, 1, bias_attr=False)
y = fluid.layers.relu(y)
y = fluid.layers.conv2d(y, 4, 1, bias_attr=False)
y = fluid.layers.relu(y)
z = fluid.gradients([y], x)
print(z)

in_dygraph_mode

SourceEnglish

• paddle.fluid.in_dygraph_mode()
• 检查程序状态(tracer) - 是否在dygraph模式中运行

返回：如果Program是在动态图模式下运行的则为True。

返回类型：out(boolean)

示例代码

import paddle.fluid as fluid
if fluid.in_dygraph_mode():
    pass

LoDTensor

• 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，它包含两个逻辑子序列。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。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]。

x.lod  =  [[2, 3]]
 
x.data = [[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]]
 
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个逻辑序列，第一个逻辑序列的长度是2(有2个子序列)，第二个逻辑序列的长度是1。第一个逻辑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。

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

示例代码

import paddle.fluid as fluid
 
t = fluid.LoDTensor()

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)

示例代码

import paddle.fluid as fluid
import numpy as np
 
t = fluid.LoDTensor()
t.set(np.ndarray([5, 30]), fluid.CPUPlace())
t.set_recursive_sequence_lengths([[2, 3]])
print(t.has_valid_recursive_sequence_lengths()) # True

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

返回：LoD Tensor的LoD。

返回类型：out（List [List [int]]）

示例代码

import paddle.fluid as fluid
import numpy as np
 
t = fluid.LoDTensor()
t.set(np.ndarray([5, 30]), fluid.CPUPlace())
t.set_lod([[0, 2, 5]])
print(t.lod()) # [[0, 2, 5]]

• recursive_sequence_lengths(self: paddle.fluid.core_avx.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]）

示例代码

import paddle.fluid as fluid
import numpy as np
 
t = fluid.LoDTensor()
t.set(np.ndarray([5, 30]), fluid.CPUPlace())
t.set_recursive_sequence_lengths([[2, 3]])
print(t.recursive_sequence_lengths()) # [[2, 3]]

• set(*args, **kwargs)

• 重载函数

• set(self: paddle.fluid.core_avx.Tensor, arg0: numpy.ndarray[float32], arg1: paddle::platform::CPUPlace) -> None

• set(self: paddle.fluid.core_avx.Tensor, arg0: numpy.ndarray[int32], arg1: paddle::platform::CPUPlace) -> None
• set(self: paddle.fluid.core_avx.Tensor, arg0: numpy.ndarray[float64], arg1: paddle::platform::CPUPlace) -> None
• set(self: paddle.fluid.core_avx.Tensor, arg0: numpy.ndarray[int64], arg1: paddle::platform::CPUPlace) -> None
• set(self: paddle.fluid.core_avx.Tensor, arg0: numpy.ndarray[bool], arg1: paddle::platform::CPUPlace) -> None
• set(self: paddle.fluid.core_avx.Tensor, arg0: numpy.ndarray[uint16], arg1: paddle::platform::CPUPlace) -> None
• set(self: paddle.fluid.core_avx.Tensor, arg0: numpy.ndarray[uint8], arg1: paddle::platform::CPUPlace) -> None
• set(self: paddle.fluid.core_avx.Tensor, arg0: numpy.ndarray[int8], arg1: paddle::platform::CPUPlace) -> None
• set_lod(self: paddle.fluid.core_avx.LoDTensor, lod: List[List[int]]) → None
• 设置LoDTensor的LoD。

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

示例代码

import paddle.fluid as fluid
import numpy as np
 
t = fluid.LoDTensor()
t.set(np.ndarray([5, 30]), fluid.CPUPlace())
t.set_lod([[0, 2, 5]])

• 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。

例如，如果recursive_sequence_lengths = [[2,3]]，意味着有两个长度分别为2和3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。

示例代码

import paddle.fluid as fluid
import numpy as np
 
t = fluid.LoDTensor()
t.set(np.ndarray([5, 30]), fluid.CPUPlace())
t.set_recursive_sequence_lengths([[2, 3]])

• shape(self: paddle.fluid.core_avx.Tensor) → List[int]

LoDTensorArray

• class paddle.fluid.LoDTensorArray
• LoDTensor的数组。

示例代码

import paddle.fluid as fluid
 
arr = fluid.LoDTensorArray()

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

示例代码

import paddle.fluid as fluid
import numpy as np
 
arr = fluid.LoDTensorArray()
t = fluid.LoDTensor()
t.set(np.ndarray([5, 30]), fluid.CPUPlace())
arr.append(t)

memory_optimize

SourceEnglish

• paddle.fluid.memoryoptimize(_input_program, skip_opt_set=None, print_log=False, level=0, skip_grads=False)
• 历史遗留的内存优化策略，通过在不同operators间重用var内存来减少总内存消耗。用一个简单的示例来解释该算法：

c = a + b # 假设这里是最后一次使用ad = b * c

鉴于在“c = a + b”之后不再使用a，且a和d的大小相同，我们可以用变量a来代替变量d，即实际上，上面的代码可以优化成：

c = a + ba = b * c

请注意，在此历史遗存设计中，我们将直接用变量a代替变量d，这意味着在你调用该API后，某些变量将会消失，还有一些会取非预期值。正如上面的例子中，执行程序后，实际上a取d的值。

因此，为避免重要变量在优化过程中被重用或移除，我们支持用skip_opt_set指定一个变量白名单。skip_opt_set中的变量不会受memory_optimize API的影响。

注解

此API已被弃用，请不要在你新写的代码中使用它。它不支持block中嵌套子block，如While、IfElse等。

• 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) - 值为0或1。如果level=0，则仅当a.size == b.size时我们才用b代替a；如果level=1，只要a.size <= b.size时我们就可以用b代替a。返回: None

示例代码

import paddle.fluid as fluid
main_prog = fluid.Program()
startup_prog = fluid.Program()
 
place = fluid.CPUPlace()
exe = fluid.Executor(place)
 
exe.run(startup_prog)
fluid.memory_optimize(main_prog)

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

import paddle.fluid as fluid
with fluid.name_scope("s1"):
   a = fluid.layers.data(name='data', shape=[1], dtype='int32')
   b = a + 1
   with fluid.name_scope("s2"):
      c = b * 1
   with fluid.name_scope("s3"):
      d = c / 1
with fluid.name_scope("s1"):
      f = fluid.layers.pow(d, 2.0)
with fluid.name_scope("s4"):
      g = f - 1

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。

示例代码

import paddle.fluid as fluid
import numpy
import os
 
use_cuda = True
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
 
# 注意：如果你使用CPU运行程序，需要具体设置CPU_NUM，
# 否则fluid会把逻辑核的所有数目设为CPU_NUM，
# 在这种情况下，输入的batch size应大于CPU_NUM，
# 否则程序会异常中断。
if not use_cuda:
    os.environ['CPU_NUM'] = str(2)
 
exe = fluid.Executor(place)
 
train_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(train_program, startup_program):
    data = fluid.layers.data(name='X', shape=[1], dtype='float32')
    hidden = fluid.layers.fc(input=data, size=10)
    loss = fluid.layers.mean(hidden)
    test_program = fluid.default_main_program().clone(for_test=True)
    fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
 
startup_program.random_seed=1
exe.run(startup_program)
 
train_exe = fluid.ParallelExecutor(use_cuda=use_cuda,
                                   main_program=train_program,
                                   loss_name=loss.name)
test_exe = fluid.ParallelExecutor(use_cuda=use_cuda,
                                  main_program=test_program,
                                  share_vars_from=train_exe)
 
x = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = train_exe.run(feed={"X": x},
                           fetch_list=[loss.name])
 
loss_data, = test_exe.run(feed={"X": x},
                          fetch_list=[loss.name])

• 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_strategy ， gradient_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

• 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。

示例代码

import paddle.fluid as fluid
import numpy
import os
 
use_cuda = True
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
 
# 注意：如果你使用CPU运行程序，需要具体设置CPU_NUM，
# 否则fluid会把逻辑核的所有数目设为CPU_NUM，
# 在这种情况下，输入的batch size应大于CPU_NUM，
# 否则程序会异常中断。
if not use_cuda:
    os.environ['CPU_NUM'] = str(2)
exe = fluid.Executor(place)
 
train_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(train_program, startup_program):
    data = fluid.layers.data(name='X', shape=[1], dtype='float32')
    hidden = fluid.layers.fc(input=data, size=10)
    loss = fluid.layers.mean(hidden)
    fluid.optimizer.SGD(learning_rate=0.01).minimize(loss)
 
    startup_program.random_seed=1
    exe.run(startup_program)
 
    train_exe = fluid.ParallelExecutor(use_cuda=use_cuda,
                                       main_program=train_program,
                                       loss_name=loss.name)
# 如果feed参数是dict类型:
# 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 (5, 1)的图像
x = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = train_exe.run(feed={"X": x},
 
                           fetch_list=[loss.name])
 
# 如果feed参数是list类型:
# 各设备挨个处理列表中的每个元素
# 第一个设备处理形为 (10, 1) 的图像
# 第二个设备处理形为 (9, 1) 的图像
#
# 使用 exe.device_count 得到设备数目
x2 = numpy.random.random(size=(9, 1)).astype('float32')
loss_data, = train_exe.run(feed=[{"X": x}, {"X": x2}],
                           fetch_list=[loss.name])

• 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

import paddle.fluid as fluid
pe = fluid.ParallelExecutor(use_cuda=use_cuda,
                            loss_name=avg_cost.name,
                            main_program=fluid.default_main_program())
loss = pe.run(feed=feeder.feed(cur_batch),
              fetch_list=[avg_cost.name]))

• drop_local_exe_scopes()
• 立即删除本地执行作用域。

在程序执行期间，生成中间结果被放置在本地执行作用域内，在某些模型中，这些中间结果的创建和删除较为费时。为了解决这个问题，ParallelExecutor在ExecutionStrategy中提供了可选项，如num_iteration_per_drop_scope，此选项指示在删除本地执行作用域之前要运行的迭代次数。 但在某些情况下，每次迭代都会产生不同的中间结果，这将导致本地执行作用域所需的内存逐渐增加。 如果你想在这个时候运行另一个程序，可能没有足够的存储空间，此时你应该删除其他程序的本地执行作用域。

代码示例

import paddle.fluid as fluid
import numpy
import os
 
use_cuda = True
# 注意：如果你使用CPU运行程序，需要具体设置CPU_NUM，
# 否则fluid会把逻辑核的所有数目设为CPU_NUM，
# 在这种情况下，输入的batch size应大于CPU_NUM，
# 否则程序会异常中断。
if not use_cuda:
    os.environ['CPU_NUM'] = str(2)
 
train_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(train_program, startup_program):
    data = fluid.layers.data(name='X', shape=[1], dtype='float32')
    hidden = fluid.layers.fc(input=data, size=10)
    loss = fluid.layers.mean(hidden)
 
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
exe.run(startup_program)
 
parallel_exe = fluid.ParallelExecutor(use_cuda=use_cuda,
                                   main_program=train_program,
                                   loss_name=loss.name)
 
x = numpy.random.random(size=(10, 1)).astype('float32')
loss_data, = parallel_exe.run(feed={"X": x},
                           fetch_list=[loss.name])
 
parallel_exe.drop_local_exe_scopes()

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。 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

import paddle.fluid as fluid
 
w_param_attrs = fluid.ParamAttr(name="fc_weight",
                                learning_rate=0.5,
                                regularizer=fluid.L2Decay(1.0),
                                trainable=True)
y_predict = fluid.layers.fc(input=x, size=10, param_attr=w_param_attrs)