人工智能 - paddlepaddle飞桨 - 深度学习基础教程 - 编程指南

编程指南

目前飞桨（PaddlePaddle，以下简称Paddle）已经同时支持动态图和静态图两种编程方式， 本文主要侧重于介绍静态图的编程方法，关于动态图编程方法，请参考动态图机制-DyGraph。

阅读完本文档，您将了解在Paddle静态图编程方式中，如何表示和定义数据变量，以及如何完整的组建一个深度学习网络并进行训练。

数据的表示和定义¶

Paddle和其他主流框架一样，使用Tensor数据结构来承载数据，包括模型中的可学习参数（如网络权重、偏置等）， 网络中每一层的输入输出数据，常量数据等。

Tensor可以简单理解成一个多维数组，一般而言可以有任意多的维度。 不同的Tensor可以具有自己的数据类型和形状，同一Tensor中每个元素的数据类型是一样的， Tensor的形状就是Tensor的维度。关于Tensor的详细介绍请参阅：Tensor 。

在Paddle中我们使用 fluid.data 来创建数据变量， fluid.data 需要指定Tensor的形状信息和数据类型， 当遇到无法确定的维度时，可以将相应维度指定为None，如下面的代码片段所示：

import paddle.fluid as fluid

# 定义一个数据类型为int64的二维数据变量x，x第一维的维度为3，第二个维度未知，要在程序执行过程中才能确定，因此x的形状可以指定为[3, None]
x = fluid.data(name="x", shape=[3, None], dtype="int64")

# 大多数网络都会采用batch方式进行数据组织，batch大小在定义时不确定，因此batch所在维度（通常是第一维）可以指定为None
batched_x = fluid.data(name="batched_x", shape=[None, 3, None], dtype='int64')

除 fluid.data 之外，我们还可以使用 fluid.layers.fill_constant 来创建常量， 如下代码将创建一个维度为[3, 4], 数据类型为int64的Tensor，其中所有元素均为16（value参数所指定的值）。

import paddle.fluid as fluid
data = fluid.layers.fill_constant(shape=[3, 4], value=16, dtype='int64')

以上例子中，我们只使用了一种数据类型"int64"，即有符号64位整数数据类型，更多Paddle目前支持的数据类型请查看：支持的数据类型。

需要注意的是，在静态图编程方式中，上述定义的Tensor并不具有值（即使创建常量的时候指定了value）， 它们仅表示将要执行的操作，在网络执行时（训练或者预测）才会进行真正的赋值操作， 如您直接打印上例代码中的data将会得对其信息的描述：

print data

输出结果:

name: "fill_constant_0.tmp_0"
type {
    type: LOD_TENSOR
    lod_tensor {
        tensor {
            data_type: INT64
            dims: 3
            dims: 4
        }
    }
}
persistable: false

在网络执行过程中，获取Tensor数值有两种方式：方式一是利用 paddle.fluid.layers.Print 创建一个打印操作， 打印正在访问的Tensor。方式二是将Variable添加在fetch_list中。

方式一的代码实现如下所示：

import paddle.fluid as fluid

data = fluid.layers.fill_constant(shape=[3, 4], value=16, dtype='int64')
data = fluid.layers.Print(data, message="Print data:")

place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())

ret = exe.run()

运行时的输出结果：

1571742368	Print data:	The place is:CPUPlace
Tensor[fill_constant_0.tmp_0]
	shape: [3,4,]
	dtype: x
	data: 16,16,16,16,16,16,16,16,16,16,16,16,

方式二Fetch_list的详细过程会在后文展开描述。

数据读取¶

使用 fluid.data 创建数据变量之后，我们需要把网络执行所需要的数据读取到对应变量中， 具体的数据准备过程，请阅读准备数据。

组建网络¶

在Paddle中，数据计算类API统一称为Operator（算子），简称OP，大多数OP在 paddle.fluid.layers 模块中提供。

例如用户可以利用 paddle.fluid.layers.elementwise_add() 实现两个输入Tensor的加法运算：

# 定义变量
import paddle.fluid as fluid
a = fluid.data(name="a", shape=[None, 1], dtype='int64')
b = fluid.data(name="b", shape=[None, 1], dtype='int64')

# 组建网络（此处网络仅由一个操作构成，即elementwise_add）
result = fluid.layers.elementwise_add(a,b)

# 准备运行网络
cpu = fluid.CPUPlace() # 定义运算设备，这里选择在CPU下训练
exe = fluid.Executor(cpu) # 创建执行器
exe.run(fluid.default_startup_program()) # 网络参数初始化

# 读取输入数据
import numpy
data_1 = int(input("Please enter an integer: a="))
data_2 = int(input("Please enter an integer: b="))
x = numpy.array([[data_1]])
y = numpy.array([[data_2]])

# 运行网络
outs = exe.run(
    feed={'a':x, 'b':y}, # 将输入数据x, y分别赋值给变量a，b
    fetch_list=[result] # 通过fetch_list参数指定需要获取的变量结果
    )

# 输出计算结果
print "%d+%d=%d" % (data_1,data_2,outs[0][0])

输出结果：

Please enter an integer: a=7
Please enter an integer: b=3
7+3=10

本次运行时，输入a=7，b=3，得到outs=10。

您可以复制这段代码在本地执行，根据指示输入其他数值观察计算结果。

如果想获取网络执行过程中的a，b的具体值，可以将希望查看的变量添加在fetch_list中。

...
# 运行网络
outs = exe.run(
    feed={'a':x, 'b':y}, # 将输入数据x, y分别赋值给变量a，b
    fetch_list=[a, b, result] # 通过fetch_list参数指定需要获取的变量结果
    )

# 输出计算结果
print outs

输出结果：

[array([[7]]), array([[3]]), array([[10]])]

组建更加复杂的网络¶

Paddle提供顺序、分支和循环三种执行逻辑，用户可以通过组合描述任意复杂的模型。

顺序执行：

用户可以使用顺序执行的方式搭建网络：

x = fluid.data(name='x', shape=[None, 13], dtype='float32')
y_predict = fluid.layers.fc(input=x, size=1, act=None)
y = fluid.data(name='y', shape=[None, 1], dtype='float32')
cost = fluid.layers.square_error_cost(input=y_predict, label=y)

条件分支和循环：

某些场景下，用户需要根据当前网络中的某些状态，来具体决定后续使用哪一种操作， 或者需要根据某些网络状态来重复执行某些操作，针对这类需求， Paddle提供了 fluid.layers.Switch 和 fluid.layers.IfElse 两个API来实现条件分支的操作，以及 fluid.layers.While 来实现循环操作。

下面的代码展示了如何使用 fluid.layers.Switch API来根据当前训练的step数进行动态学习率的调整：

lr = fluid.layers.tensor.create_global_var(
        shape=[1],
        value=0.0,
        dtype='float32',
        persistable=True,
        name="learning_rate")

one_var = fluid.layers.fill_constant(
        shape=[1], dtype='float32', value=1.0)
two_var = fluid.layers.fill_constant(
        shape=[1], dtype='float32', value=2.0)

with fluid.layers.control_flow.Switch() as switch:
    with switch.case(global_step == zero_var):
        fluid.layers.tensor.assign(input=one_var, output=lr)
    with switch.default():
        fluid.layers.tensor.assign(input=two_var, output=lr)

其他控制流API的使用方法，请参见文档：IfElse 和 While 。

一个完整的网络示例¶

一个典型的模型通常包含4个部分，分别是：输入数据定义，搭建网络（模型前向计算逻辑），定义损失函数，以及选择优化算法。

下面我们通过一个非常简单的数据预测网络（线性回归），来完整的展示如何使用Paddle静态图方式完成一个深度学习模型的组建和训练。

问题描述：给定一组数据 ，求解出函数 ff，使得 y=f(x)y=f(x)，其中XX,YY均为一维张量。最终网络可以依据输入xx，准确预测出ypredictypredict。

1. 定义数据

   假设输入数据X=[1 2 3 4]，Y=[2 4 6 8]，在网络中定义：

   # 定义X数值
   train_data=numpy.array([[1.0], [2.0], [3.0], [4.0]]).astype('float32')
   # 定义期望预测的真实值y_true
   y_true = numpy.array([[2.0], [4.0], [6.0], [8.0]]).astype('float32')
   

2. 搭建网络（定义前向计算逻辑）

   接下来需要定义预测值与输入的关系，本次使用一个简单的线性回归函数进行预测：

   # 定义输入数据类型
   x = fluid.data(name="x", shape=[None, 1], dtype='float32')
   y = fluid.data(name="y", shape=[None, 1], dtype='float32')
   # 搭建全连接网络
   y_predict = fluid.layers.fc(input=x, size=1, act=None)
   

3. 添加损失函数

   完成模型搭建后，如何评估预测结果的好坏呢？我们通常在设计的网络中添加损失函数，以计算真实值与预测值的差。

   在本例中，损失函数采用均方差函数：

   cost = fluid.layers.square_error_cost(input=y_predict, label=y)
   avg_cost = fluid.layers.mean(cost)
   

4. 网络优化

   确定损失函数后，可以通过前向计算得到损失值，并根据损失值对网络参数进行更新，最简单的算法是随机梯度下降法：w=w−η⋅g，由 fluid.optimizer.SGD 实现：

   sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.01)
   sgd_optimizer.minimize(avg_cost)
   

   让我们的网络训练100次，查看结果：

   # 加载库
   import paddle.fluid as fluid
   import numpy
   
   # 定义输入数据
   train_data=numpy.array([[1.0],[2.0],[3.0],[4.0]]).astype('float32')
   y_true = numpy.array([[2.0],[4.0],[6.0],[8.0]]).astype('float32')
   
   # 组建网络
   x = fluid.data(name="x",shape=[None, 1],dtype='float32')
   y = fluid.data(name="y",shape=[None, 1],dtype='float32')
   y_predict = fluid.layers.fc(input=x,size=1,act=None)
   
   # 定义损失函数
   cost = fluid.layers.square_error_cost(input=y_predict,label=y)
   avg_cost = fluid.layers.mean(cost)
   
   # 选择优化方法
   sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.01)
   sgd_optimizer.minimize(avg_cost)
   
   # 网络参数初始化
   cpu = fluid.CPUPlace()
   exe = fluid.Executor(cpu)
   exe.run(fluid.default_startup_program())
   
   # 开始训练，迭代100次
   for i in range(100):
       outs = exe.run(
           feed={'x':train_data, 'y':y_true},
           fetch_list=[y_predict, avg_cost])
   
   # 输出训练结果
   print outs
   

   输出结果:

   [array([[2.2075021],
           [4.1005487],
           [5.9935956],
           [7.8866425]], dtype=float32), array([0.01651453], dtype=float32)]
   

   可以看到100次迭代后，预测值已经非常接近真实值了，损失值也下降到了0.0165。

   恭喜您！已经成功完成了第一个简单网络的搭建，想尝试线性回归的进阶版——房价预测模型，请阅读：线性回归。更多丰富的模型实例可以在模型库中找到。

进一步学习¶

如果您已经掌握了基本操作，可以进行下一阶段的学习了：

跟随这一教程将学习到如何对实际问题建模并使用Paddle构建模型：配置简单的网络。

完成网络搭建后，可以开始在单机或多机上训练您的网络了，详细步骤请参考训练神经网络。

除此之外，使用文档模块根据开发者的不同背景划分了三个学习阶段：新手入门、使用指南和进阶使用。

如果您希望阅读更多场景下的应用案例，可以参考深度学习基础教程。已经具备深度学习基础知识的用户，可以从使用指南开始阅读。