声明：本文图片来源于百度AI开放平台。

PaddlePaddle架构

📃 PaddlePaddle基础概念 - 图1

Tensor

在神经网络中传递的数据都是Tensor。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。

下图直观地表示1～6维的Tensor：
📃 PaddlePaddle基础概念 - 图2

Layer

Layer表示一个独立计算的逻辑，layer通常包舍一个或多个operator， layers.relu 表示relu计算， layers.pool 2d 表示pool操作。Layer有Varicble输入和输出。Layer的调用示例：

  1. output=fluicd.layers.relu(x)

Variable

Variable表示一个变量，变量可以是一个张量Tensor，也可以是其他类型。Variable讲入Layert算，然后Layer返回Variable。Variable的创建示例：

  1. var=fluicd.layers.fill_constant(shape=[1], dtype='int64', value=5)

Operator

在飞桨（PaddlePaddle，以下简称Paddle）中，所有对数据的操作都由Operator表示。为了便于用户使用，Paddle中的Operator被封装入 paddle.fluid.layers ， paddle.fluid.nets 等模块。

Program

Program包含Variable定义的多个变量和Layer定义的多个计算。Procram从用户角度是顺序执行的。
📃 PaddlePaddle基础概念 - 图3

Executor

Executor用来执行Procgram。Executor会一次性执行Procram中定义的所有计算。可以通过feed来提供Procgrcam输入数据，通过fetch_list来获取输出数据。

Place

Paddle可以运行在Intel CPU，Nvidia GPU，ARM CPU和更多嵌入式设备上。训练是可以通过Place来指定执行的设备。指定GPU示例：

  1. place=fluid.CUDAPlace(0)

CompiledProgram

  • Program可以转换成一个有向无环图，经过一系列的优化，生成一个执行的图
  • CompiledProgram.with_data_parallel，生成一个可以多卡并发的训练图
  • CompiledProgram.with_optimized_inference，生成一个优化后的预测图
  • 编译后的program可以通讨Executor执行： Executor.run(compiled_program)

feed/fetch_list

feed用来给模型的输入提供数据。fetch_list用来获取模型执行的中间结果。

静态图与动态图

飞桨支持两种深度学习建模编写方式，更方便调试的动态图模式和性能更好并便于部署的静态图模式。

  • 静态图模式（声明式编程范式，类比C++）：先编译后执行的方式。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后，才能执行获得计算结果。
  • 动态图模式（命令式编程范式，类比Python）：解析式的执行方式。用户无需预先定义完整的网络结构，每写一行网络代码，即可同时获得计算结果。

示例：计算常量的加法：1+1

  1. from paddle import fluid
  3. # 定义两个张量
  4. x1 = fluid.layers.fill_constant(shape=[2, 2], value=1, dtype='int64')
  5. x2 = fluid.layers.fill_constant(shape=[2, 2], value=1, dtype='int64')
  7. y = x1 + x2
  9. # 创建一个使用CPU的解释器
  10. place = fluid.CPUPlace()
  11. exe = fluid.executor.Executor(place)
  13. # 进行运算，并把y的结果输出
  14. result = exe.run(program=fluid.default_main_program(),
  15.                  fetch_list=[y])
  16. print(result)

输出：

  1. [array([[2, 2],
  2.        [2, 2]], dtype=int64)]

示例：计算变量的加法：1+1

  1. import paddle.fluid as fluid
  2. import numpy as np
  4. # 定义两个张量
  5. a = fluid.layers.create_tensor(dtype='int64', name='a')
  6. b = fluid.layers.create_tensor(dtype='int64', name='b')
  8. # 将两个张量求和
  9. y = fluid.layers.sum(x=[a, b])
  11. # 创建一个使用CPU的解释器
  12. place = fluid.CPUPlace()
  13. exe = fluid.executor.Executor(place)
  15. # 定义两个要计算的变量
  16. a1 = np.array([3, 2]).astype('int64')
  17. b1 = np.array([1, 1]).astype('int64')
  19. # 进行运算，并把y的结果输出
  20. out_a, out_b, result = exe.run(program=fluid.default_main_program(),
  21.                                feed={'a': a1, 'b': b1},
  22.                                fetch_list=[a, b, y])
  23. print(out_a, " + ", out_b," = ", result)

输出：

  1. [3 2]  +  [1 1]  =  [4 3]