最近报了百度的深度学习认证，需要使用Paddle进行编程实现，找了一些基础教程，特意记录下来，加深印象。思维导图如下：

 

一、Paddle的内部执行流程

二、内部详解

1.Variable（变量）

（1）模型中的可学习参数

（2）占位Variable

（3）常量Variable

2.Tensor

3.Lod-Tensor

4.Operator(算子)

5.Program

6.Executor（执行器）

7.命令式编程

8.编程指南

---

一、Paddle的内部执行流程

Paddle使用一种编译器式的执行流程，分为编译时和运行时两个部分，具体包括：编译器定义Program，创建Executor运行Program。执行流程图如下：

1.编译时，python程序是通过调用Paddle提供的段子，向一段Program中添加变量（Tensor）以及对变量的操作（Operators或者Layers）。用户只需要描述核心的前向计算，不需要关系反向计算、分布式下以及异构设备下如何计算。

2.原始的Program在框架内部转换为中间描述语言：ProgramDesc

3.Transpiler接受一段ProgramDesc，输出一段变化后的ProgramDesc,作为后端Executor最终需要执行的Program。Transpiler并非必需步骤。

4.执行ProgramDesc中定义的Operator（可以类比为程序语言中的指令），在执行过程中会为Operator创建所需的输入输出并进行管理。

二、内部详解

1.Variable（变量）

Variable（变量）可以包含任何类型的值变量，提供的API中用的类型是Tensor。

存在三种Variable：

（1）模型中的可学习参数

例如，神经网络中的权重和偏置会接受优化算法额更新，因此，应该是一个变量类型的数据，表示为：

w = fluid.layers.create_parameter(name="w",shape=[1],dtype='float32')

但是，Paddle中大部分的神经网络都是封装好的，可以直接创建权重和偏置，无需显示调用Parameter相关接口来创建。例如：

y = fluid.layers.fc(input=x, size=128, bias_attr=True)

其中，fluid.layers.fc是全连接神经网络的API。

（2）占位Variable

在声明式编程模式（静态图）中，组网不知道实际输入的信息，此刻需要一个占位的Variable，表示一个待提供输入的Variable。fluid.data表示需要提供输入Tensor的形状信息，当遇到无法确定的维度时，相应维度指定为None，如下：

import paddle.fluid as fluid#定义x的维度为[3,None]，其中我们只能确定x的第一的维度为3，第二个维度未知，要在程序执行过程中才能确定
x = fluid.data(name="x", shape=[3,None], dtype="int64")#若图片的宽度和高度在运行时可变，将宽度和高度定义为None。
#shape的三个维度含义分别是：batch_size, channel、图片的宽度、图片的高度
b = fluid.data(name="image",shape=[None, 3,None,None],dtype="float32")

dtype是表示数据类型，int64是有符号的64位整数数据类型，可支持的类型如下：

（3）常量Variable

可以通过fluid.layers.fill_constant来实现常量Variable，并可以指定内部的Tensor形状，数据类型和常量值。

import paddle.fluid as fluid
data = fluid.layers.fill_constant(shape=[1], value=0, dtype='int64')

2.Tensor

Tensor可以简单理解为多维数组，同一个Tensor每个元素的数据类型是一样的，Tensor的形状是Tensor的维度。

Tensorflow中Tensor（张量）与Numpy的ndarray对象相似，每个Tensor都有一个形状和数据类型，Numpy数组和Tensor的区别是：

（1）张量可以有加速器内存（CPU，GPU）支持

（2）张量是不变的

下图直观的表达了1~6维的Tensor：

对于一些任务中batch内样本大小不一致的问题，Paddle提供了两种解决方案：

（1）padding：将大小不一致的样本padding到同样的大小。

（2）Lod-Tensor：记录每一个样本的大小，减少无用的计算量，Lod牺牲灵活性来提升性能。当样本无法通过分桶、排序等方式使得大小接近，可以用Lod-Tensor。

Tensor的API有：

• create_tensor：创建一个指定数据类型的Lod-Tensor变量
• create_parameter：创建一个可学习的参数
• create_grobal_var：创建一个全局的tensor
• cast:将数据转换为指定类型
• concat：将输入数据沿指定维度连接
• sums：对输入数据加和
• fill_constant：创建一个具有特定形状和类型的tensor,可以通过value设置该变量的初始值
• assign：复制一个变量
• argmin：计算输入tensor指定轴上最小元素的索引
• argmax：计算输入tensor指定轴上最大元素的索引
• argsort：对输入Tensor在指定轴上进行排序，并返回排序后的数据变量及其对应的索引值
• ones：创建一个指定大小和数据类型的Tensor,且初始值为1
• zeros：创建一个指定大小和数据类型的Tensor,且初始值为0
• reverse：使用reverse沿指定轴反转Tensor

3.Lod-Tensor

在nlp任务中，一个batch中包含N个句子，句子的长度不一，为了解决长度不一致的问题，Paddle提供了两种方案：（1）padding，（2）Lod-Tensor，tensor中同时保存序列的长度信息。

对于padding的方式，会增加框架的计算量，但是可以通过分桶，排序等机制，使得一个batch内的句子长度尽可能接近，能够降低padding的比例，还通过引入mask来记录padding 信息，来移除padding对于训练效果的影响。

但是对于一些nlp任务，例如聊天任务，需要计算query（问题）和多个答案之间的相似度，且答案都是在一个batch中，就可以采用Lod-Tensor方式，Lod-Tensor存储了样本的长度信息，不需要增加padding的词。

Lod-Tensor是将长度不一致的维度拼接为一个大的维度，并引入了一个索引数据结构（LoD）来将张量分割成序列。

4.Operator(算子)

所有对数据的操作都由Operator表示，在paddle.fluid.layers,paddle.fluid.nets模块中。例如：利用paddle.fluid.layers.elementwise_add()实现加法：

import paddle.fluid as fluid
import numpya = fluid.data(name="a",shape=[1],dtype='float32')
b = fluid.data(name="b",shape=[1],dtype='float32')result = fluid.layers.elementwise_add(a,b)# 定义执行器，并且制定执行的设备为CPU
cpu = fluid.core.CPUPlace()
exe = fluid.Executor(cpu)
exe.run(fluid.default_startup_program())x = numpy.array([5]).astype("float32")
y = numpy.array([7]).astype("float32")outs = exe.run(feed={'a':x,'b':y},fetch_list=[a,b,result])
# 打印输出结果，[array([12.], dtype=float32)]
print( outs )

输出结果为：

[array([5.], dtype=float32), array([7.], dtype=float32), array([12.], dtype=float32)]

在程序语言中，控制流（control flow）决定了语句的执行顺序，常见的控制流包括顺序执行、分支和循环等。

（1）If-else条件分支

条件分支，允许对同一个batch的输入，根据给定的条件，分别选择true_block或false_block中的逻辑执行，执行后再将两个分支的输出合并为一个输出。

（2）Switch

多分支选择结构，如同程序语言中常见的switch-case声明，其根据输入表达式的取值不同，选择不同的分支执行。Fluid所定义的控制流的特性有：

• case的条件是个bool类型的值，即在Program中是一个张量类型的Variable；
• 依次检查逐个case，选择第一个满足条件的case执行，完成执行后即退出所属的block；
• 如果所有case均不满足条件，会选择默认的case进行执行

（3）while

While 循环，当条件判断为真时，循环执行 While 控制流所属 block 内的逻辑，条件判断为假时退出循环。与之相关的API有

• increment ：累加API，通常用于对循环次数进行计数；
• array_read ：从 LOD_TENSOR_ARRAY 中指定的位置读入Variable，进行计算；
• array_write ：将 Variable 写回到 LOD_TENSOR_ARRAY 指定的位置，存储计算结果。

（4）DynamicRNN

动态RNN可处理一个batch不等长的序列数据，其接受lod_level=1的Variable作为输入，在DynamicRNNde block内，用户需自定义RNN的单步计算逻辑。在每一时间步，用户可将需记忆的状态写入到DynamicRNN的merory中，并将需要的输出写出到其output中。

（5）StaticRNN

静态RNN，只能处理固定长度的序列数据，接受 lod_level=0 的 Variable 作为输入。与 DynamicRNN 类似，在RNN的每单个时间步，用户需自定义计算逻辑，并可将状态和输出写出

5.Program

用Program的形式动态描述整个计算过程。这种描述方式，兼具网络结构修改的灵活性和模型搭建的便捷性，在保证性能的同时极大地提高了框架对模型的表达能力。

用户定义的Operator会被顺序的放入Program中，在网络搭建过程中，由于不能使用python的控制流，Paddle通过同时提供分布和循环两类控制流op结构的支持，让用户可以通过组合描述任意复杂的模型。

顺序执行：

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

Fluid中还有switch，if else类来实现条件选择。

Program设计思想

用户完成网络定义后，一段Paddle程序中通常会存在2个Program：

1.fluid.default_startup_program:定义了模型参数初始化、优化器参数初始化、reader初始化等各种操作。

2.fluid.default_main_program:定义了神经网络模型、前向反向计算，以及模型参数更新、优化器参数更新等各种操作。

Program的基本结构

Paddle的Program的基本结构是一些嵌套的blocks，形式上类似一段C++或Java程序。blocks的概念和通用程序一样。blocks中包含：（1）本地变量的定义，（2）一系列的Operator

import paddle.fluid as fluidx = fluid.data(name='x', shape=[1], dtype='int64') # block 0
y = fluid.data(name='y', shape=[1], dtype='int64') # block 0def true_block():return fluid.layers.fill_constant(dtype='int64', value=1, shape=[1]) # block 1def false_block():return fluid.layers.fill_constant(dtype='int64', value=0, shape=[1]) # block 2condition = fluid.layers.less_than(x, y) # block 0out = fluid.layers.cond(condition, true_block, false_block) # block 0

BlocksDesc和ProgramDesc

用户描述的block和Program信息在Paddle中以protobuf格式保存，在framework.proto中，在Paddle中被称为BlockDesc和ProgramDesc.BlockDesc和ProgramDesc的概念类似于一个抽象语法树。

BlocksDesc中包含本地变量的定义vars,和一系列的Operator ops：

message BlockDesc {required int32 idx = 1;required int32 parent_idx = 2;repeated VarDesc vars = 3;repeated OpDesc ops = 4;
}

parent_idx表示父块，因此block中的操作符可以引用本地定义的变量，也可以 引用祖先块中的定义

Program中的每层block都被压平并存储在数组中。并通过Blocks ID进行索引。

message ProgramDesc {repeated BlockDesc blocks = 1;
}

Blocks的Operator

If-else的Operator包含两个block——True分支和false分支。

6.Executor（执行器）

Paddle的设计思想类似于高级编程语言C++和java等，程序的执行过程被分为编译过程和执行过程。用户完成对Program的定义后，Executor接受这段Program并转换为C++后端真正可执行的FluidProgram，这个叫编译。编译过后需要用Executor进行执行编译好的FluidProgram。

Executor 在运行时将接受一个ProgramDesc、一个block_id和一个Scope。ProgramDesc是block的列表，每一项包含block中所有参数和operator的protobuf定义；block_id指定入口块；Scope是所有变量实例的容器。

其中 Scope 包含了 name 与 Variable 的映射，所有变量都被定义在 Scope 里。大部分API会默认使用 global_scope ，例如 Executor.run ，您也可以指定网络运行在某个特定的 Scope 中，一个网络可以在不同的 Scope内运行，并在该 Scope 内更新不同的 Variable。

完成的编译执行的具体过程如下图所示：

1. Executor 为每一个block创建一个Scope，Block是可嵌套的，因此Scope也是可嵌套的。
2. 创建所有Scope中的变量。
3. 创建并执行所有operator。

（1）创建Executor

#使用CPU
cpu=fluid.CPUPlace()
#创建执行器
exe = fluid.Executor(cpu)

（2）运行Executor

正式训练之前，需先执行参数初始化。

 #参数初始化exe.run(fluid.default_startup_program())

由于传入数据和传出数据存在多列，因此Paddle通过feed映射定义数据的传输数据，通过fetch_list取出结果。

x = numpy.random.random(size=(10, 1)).astype('float32')
outs = exe.run(feed={'X': x},fetch_list=[loss.name])

7.命令式编程

从编程范式上说，飞浆兼容支持声明式编程（静态图）和命令式编程（动态图），在飞浆的设计中，把一个神经网络定义成一段类似程序的描述，也就是用户在写程序的过程中，就定义了模型表达及计算。在静态图的控制流实现方面，飞浆用了自己的控制流OP，这使得在飞浆中的定义的program即一个网络模型，可以有一个内部表达，是可以全局优化编译执行的，同时也提供了Python原生控制流，并通过解释方式执行，这就是命令式编程模式。（是不是没看懂，我也没）

声明式编程：先编译后执行，用户需预先定义完整的网络结构，再对网络结构进行编译优化，然后执行获得结果。

命令式编程：解析式执行，每写一行代码，即可获得计算结果

声明式编程存在的问题：

• 采用先编译后执行的方式，组网阶段和执行阶段割裂，导致调试不方便。
• 属于一种符号化的编程方式，要学习新的编程方式，有一定的入门门槛。
• 网络结构固定，对于一些树结构的任务支持的不够好。

命令式编程的优势：

• 代码运行完成后，可以立马获取结果，支持使用 IDE 断点调试功能，使得调试更方便。
• 属于命令式的编程方式，与编写Python的方式类似，更容易上手。
• 网络的结构在不同的层次中可以变化，使用更灵活。

两者之间的代码对比：

import numpy as np
import paddle.fluid as fluid
from paddle.fluid.dygraph.base import to_variablemain_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(main_program=main_program, startup_program=startup_program):# 利用np.ones函数构造出[2*2]的二维数组，值为1data = np.ones([2, 2], np.float32)# 静态图模式下，使用layers.data构建占位符用于数据输入x = fluid.layers.data(name='x', shape=[2], dtype='float32')print('In static mode, after calling layers.data, x = ', x)# 静态图模式下，对Variable类型的数据执行x=x+10操作x += 10# 在静态图模式下，需要用户显示指定运行设备# 此处调用fluid.CPUPlace() API来指定在CPU设备上运行程序place = fluid.CPUPlace()# 创建“执行器”，并用place参数指明需要在何种设备上运行exe = fluid.Executor(place=place)# 初始化操作，包括为所有变量分配空间等，比如上面的‘x’，在下面这行代码执行后才会被分配实际的内存空间exe.run(fluid.default_startup_program())# 使用执行器“执行”已经记录的所有操作，在本例中即执行layers.data、x += 10操作# 在调用执行器的run接口时，可以通过fetch_list参数来指定要获取哪些变量的计算结果，这里我们要获取‘x += 10’执行完成后‘x’的结果；# 同时也可以通过feed参数来传入数据，这里我们将data数据传递给‘fluid.layers.data’指定的‘x’。data_after_run = exe.run(fetch_list=[x], feed={'x': data})# 此时我们打印执行器返回的结果，可以看到“执行”后，Tensor中的数据已经被赋值并进行了运算，每个元素的值都是11print('In static mode, data after run:', data_after_run)# 开启动态图模式
with fluid.dygraph.guard():# 动态图模式下，将numpy的ndarray类型的数据转换为Variable类型x = fluid.dygraph.to_variable(data)print('In DyGraph mode, after calling dygraph.to_variable, x = ', x)# 动态图模式下，对Variable类型的数据执行x=x+10操作x += 10# 动态图模式下，调用Variable的numpy函数将Variable类型的数据转换为numpy的ndarray类型的数据print('In DyGraph mode, data after run:', x.numpy())

静态图结果输出：

In static mode, after calling layers.data, x =  name: "x"
type {type: LOD_TENSORlod_tensor {tensor {data_type: FP32dims: -1dims: 2}lod_level: 0}
}
persistable: falseIn static mode, data after run: [array([[11., 11.],[11., 11.]], dtype=float32)]

动态图结果输出：

In DyGraph mode, after calling dygraph.to_variable, x =  name generated_var_0, dtype: VarType.FP32 shape: [2, 2] 	lod: {}dim: 2, 2layout: NCHWdtype: floatdata: [1 1 1 1]In DyGraph mode, data after run: [[11. 11.][11. 11.]]

8.编程指南

展示一个完成的编程实例。

# 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)

输出结果为：

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