Program¶

class paddle.static. Program [源代码] ¶

默认情况下，Paddle 内部默认含有 default_startup_program 和 default_main_program，它们共享参数。default_startup_program 只运行一次来初始化参数，default_main_program 在每个 mini batch 中运行并更新权重。

Program 是 Paddle 对于计算图的一种静态描述，使用 Program 的构造函数可以创建一个 Program。Program 中包括至少一个 Block，当 Block 中存在条件选择的控制流 OP（例如 while_loop 等）时，该 Program 将会含有嵌套着的 Block 即控制流外部的 Block 将包含着控制流内部的 Block，而嵌套的 Block 的元素访问控制将由具体的控制流 OP 来决定。关于 Program 具体的结构和包含的类型请参阅 framework.proto 。

一个 Program 的集合通常包含初始化程序（startup_program）与主程序（main_program），初始化程序是一个包含一些初始化工作的 Program，主程序将会包含用来训练的网络结构和变量，在使用同一个执行引擎执行时他们会共享初始化工作的结果，例如初始化的参数。一个 Program 的集合可以被用来测试或者训练，被用来训练时，Paddle 将会利用所有用户使用的 OP 和变量来搭建一个训练网络，被用来测试时，可以通过调用 Program 相关的接口例如：clone 剪去一些与测试无关的 OP 和变量，比如反向传播的 OP 和变量。

返回¶

Program，创建的空的 Program。

代码示例¶

          >>> import paddle
>>> import paddle.static as static

>>> paddle.enable_static()

>>> main_program = static.Program()
>>> startup_program = static.Program()
>>> with static.program_guard(main_program=main_program, startup_program=startup_program):
...     x = static.data(name="x", shape=[-1, 784], dtype='float32')
...     y = static.data(name="y", shape=[-1, 1], dtype='int32')
...     z = static.nn.fc(name="fc", x=x, size=10, activation="relu")

>>> print("main program is: {}".format(main_program))
>>> print("start up program is: {}".format(startup_program))

         

方法¶

to_string(throw_on_error, with_details=False)¶

将 Program 转换为字符串。

参数

throw_on_error (bool) - 是否在没有设置必需字段时抛出异常。

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，由 Program 转换得到的字符串。

代码示例

           >>> import paddle
>>> import paddle.static as static

>>> paddle.enable_static()

>>> prog = static.default_main_program()
>>> x = static.data(name="X", shape=[2,3], dtype="float32")
>>> pred = static.nn.fc(x, size=3)
>>> prog_string = prog.to_string(throw_on_error=True, with_details=False)
>>> prog_string_with_details = prog.to_string(throw_on_error=False, with_details=True)
>>> print("program string without detail: {}".format(prog_string))
>>> print("program string with detail: {}".format(prog_string_with_details))

          

clone(for_test=False)¶

注解

Program.clone() 方法不会克隆例如 DataLoader 这样的数据读取相关的部分，这可能会造成的数据读取部分在克隆后丢失；
此 API 当 for_test=True 时将会裁剪部分 OP 和变量。为防止错误的裁剪，推荐在 append_backward 和执行优化器之前使用；clone(for_test=True) 。

当 for_test=True 时创建一个新的、仅包含当前 Program 前向内容的 Program。否则创建一个新的和当前 Program 完全相同的 Program。

有些 OP，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 用于训练时，将 for_test 设置为 False。
克隆 Program 用于测试时，将 for_test 设置为 True。虽然在这种情况下，如果在使用了优化器之后调用 clone 我们依旧会对 Program 当中反向执行以及优化器相关的内容进行自动裁剪，但是，我们强烈建议在使用优化器之前使用 clone 例如如果使用的是 Momentum 可以这样去使用：

代码示例

            >>> import paddle
 >>> import paddle.static as static

 >>> paddle.enable_static()

 >>> img = static.data(name='image', shape=[None, 784])
 >>> pred = static.nn.fc(x=img, size=10, activation='relu')
 >>> loss = paddle.mean(pred)
 >>> # Here we use clone before Momentum
 >>> test_program = static.default_main_program().clone(for_test=True)
 >>> optimizer = paddle.optimizer.Momentum(learning_rate=0.01, momentum=0.9)
 >>> optimizer.minimize(loss)

          

参数

for_test (bool，可选) – 取值为 True 时，clone 方法内部会把 operator 的属性 is_test 设置为 True，并裁剪反向 OP 和参数优化 OP，默认值为 False。

返回

Program，当 for_test=True 时返回一个新的、仅包含当前 Program 前向内容的 Program。否则返回一个新的，和当前 Program 完全相同的 Program。

代码示例

注解

Program 在 clone 后的顺序可能不同，这不会影响的训练或测试进程。在下面的示例中，我们提供了一个简单的方法 print_prog（Program）来打印程序描述，以确保 clone 后仍能得到同样的打印结果：

            >>> import paddle

 >>> def print_prog(prog):
 ...     for name, value in sorted(prog.block(0).vars.items()):
 ...         print(value)
 ...     for op in prog.block(0).ops:
 ...         print("op type is {}".format(op.type))
 ...         print("op inputs are {}".format(op.input_arg_names))
 ...         print("op outputs are {}".format(op.output_arg_names))
 ...         for key, value in sorted(op.all_attrs().items()):
 ...             if key not in ['op_callstack', 'op_role_var']:
 ...                 print(" [ attrs: {}:   {} ]".format(key, value))

          

克隆一个 Program，示例代码如下。

            >>> import paddle
 >>> import paddle.static as static
 >>> import paddle.utils as utils
 >>> import paddle.nn.functional as F

 >>> paddle.enable_static()

 >>> def print_prog(prog):
 ...     for name, value in sorted(prog.block(0).vars.items()):
 ...         print(value)
 ...     for op in prog.block(0).ops:
 ...         print("op type is {}".format(op.type))
 ...         print("op inputs are {}".format(op.input_arg_names))
 ...         print("op outputs are {}".format(op.output_arg_names))
 ...         for key, value in sorted(op.all_attrs().items()):
 ...             if key not in ['op_callstack', 'op_role_var']:
 ...                 print(" [ attrs: {}:   {} ]".format(key, value))

 >>> train_program = static.Program()
 >>> startup_program = static.Program()

 >>> # startup_program is used to do some parameter init work,
 >>> # and main program is used to hold the network
 >>> with static.program_guard(train_program, startup_program):
 ...     with utils.unique_name.guard():
 ...         img = static.data(name='image', shape=[None, 784])
 ...         hidden = static.nn.fc(x=img, size=200, activation='relu')
 ...         hidden = F.dropout(hidden, p=0.5)
 ...         loss = F.cross_entropy(
 ...             input=static.nn.fc(x=hidden, size=10, activation='softmax'),
 ...             label=static.data(name='label', shape=[1], dtype='int64'))
 ...         avg_loss = paddle.mean(loss)
 ...         test_program = train_program.clone(for_test=True)
 >>> print_prog(test_program)

 >>> # Due to parameter sharing usage for train and test, so we need to use startup program of train
 >>> # instead of using test startup program, while nothing is in test's startup program

 >>> # In Paddle we will share weights by using the same Tensor name. In train and test program
 >>> # all parameters will have the same name and this can make train and test program sharing parameters,
 >>> # that's why we need to use startup program of train. And for startup program of test, it has nothing,
 >>> # since it is a new program.

 >>> with static.program_guard(train_program, startup_program):
 ...     with utils.unique_name.guard():
 ...         sgd = paddle.optimizer.SGD(learning_rate=1e-3)
 ...         sgd.minimize(avg_loss)

          

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

            >>> import paddle
 >>> import paddle.static as static
 >>> import paddle.utils as utils
 >>> import paddle.nn.functional as F

 >>> paddle.enable_static()

 >>> def print_prog(prog):
 ...     for name, value in sorted(prog.block(0).vars.items()):
 ...         print(value)
 ...     for op in prog.block(0).ops:
 ...         print("op type is {}".format(op.type))
 ...         print("op inputs are {}".format(op.input_arg_names))
 ...         print("op outputs are {}".format(op.output_arg_names))
 ...         for key, value in sorted(op.all_attrs().items()):
 ...             if key not in ['op_callstack', 'op_role_var']:
 ...                 print(" [ attrs: {}:   {} ]".format(key, value))

 >>> def network():
 ...     img = static.data(name='image', shape=[None, 784])
 ...     hidden = static.nn.fc(x=img, size=200, activation='relu')
 ...     hidden = F.dropout(hidden, p=0.5)
 ...     loss = F.cross_entropy(
 ...         input=static.nn.fc(x=hidden, size=10, activation='softmax'),
 ...         label=static.data(name='label', shape=[1], dtype='int64'))
 ...     avg_loss = paddle.mean(loss)
 ...     return avg_loss

 >>> train_program_2 = static.Program()
 >>> startup_program_2 = static.Program()
 >>> test_program_2 = static.Program()
 >>> with static.program_guard(train_program_2, startup_program_2):
 ...     with utils.unique_name.guard():
 ...         avg_loss = network()
 ...         sgd = paddle.optimizer.SGD(learning_rate=1e-3)
 ...         sgd.minimize(avg_loss)
 >>> # the test startup program is not used.
 >>> with static.program_guard(test_program_2, startup_program_2):
 ...     with utils.unique_name.guard():
 ...         avg_loss = network()
 >>> print_prog(test_program_2)

          

上边两个代码片段生成和打印的 Program 是一样的。

static parse_from_string(binary_str)¶

通过对 protobuf 的反序列化，转换成 Program。

参数

binary_str (str) – protobuf 二进制字符串。

返回

Program，反序列化后的 Program。

代码示例

           >>> import paddle
>>> import paddle.static as static

>>> paddle.enable_static()

>>> startup_prog = static.Program()
>>> main_prog = static.Program()
>>> with static.program_guard(startup_prog, main_prog):
...     x = static.data(name='X', shape=[1000, 784], dtype='float32')
...     y = static.data(name='Y', shape=[784, 100], dtype='float32')
...     z = paddle.matmul(x=x, y=y)
...     binary_str = static.default_main_program().desc.serialize_to_string()
...     prog_restored = static.default_main_program().parse_from_string(binary_str)
...     print(static.default_main_program())
...     print(prog_restored)

          

属性¶

num_blocks¶

该 Program 中的 Block 的个数。

返回

int，该 Program 中的 Block 的个数。

代码示例

           >>> import paddle
>>> import paddle.static as static

>>> paddle.enable_static()

>>> prog = static.default_main_program()
>>> num_blocks = prog.num_blocks
>>> print(num_blocks)
1

          

random_seed¶

注解

必须在相关 OP 被添加之前设置。

程序中随机运算符的默认随机种子。0 意味着随机生成随机种子。

返回

int64，该 Program 中当前正在使用的 random seed。

代码示例

           >>> import paddle
>>> import paddle.static as static
>>> import paddle.nn.functional as F

>>> paddle.enable_static()

>>> prog = static.default_main_program()
>>> random_seed = prog.random_seed
>>> x_var = static.data(name="X", shape=[3,3], dtype="float32")
>>> print(random_seed)
0
>>> ## the default random seed is 0

>>> # Here we need to set random seed before we use paddle.nn.functional.dropout
>>> prog.random_seed = 1
>>> z_var = F.dropout(x_var, 0.7)

>>> print(prog.random_seed)
1
>>> ## the random seed is change to 1

          

global_block()¶

获取该 Program 的第一个 Block 。

返回

Block，该 Program 的第一个 Block。

代码示例

           >>> import paddle
>>> import paddle.static as static

>>> paddle.enable_static()

>>> prog = static.default_main_program()
>>> gb_block = prog.global_block()
>>> print(gb_block)

          

block(index)¶

返回该 Program 中，index 指定的 Block 。 index 类型为 int 。

参数

index (int) - 需要获取的 Block 的 index。

返回

Block，该 Program 中 index 对应的那个 Block。

代码示例

           >>> import paddle
>>> import paddle.static as static

>>> paddle.enable_static()

>>> prog = static.default_main_program()
>>> block_0 = prog.block(0)
>>> print(block_0)

          

current_block()¶

获取当前 Block。当前 Block 是用来添加 OP 的。

返回

Block，该 Program 中用户当前所在的 Block。

代码示例

           >>> import paddle
>>> import paddle.static as static

>>> paddle.enable_static()

>>> prog = static.default_main_program()
>>> current_blk = prog.current_block()
>>> print(current_blk)

          

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。

代码示例

           >>> import paddle
>>> import paddle.static as static

>>> paddle.enable_static()

>>> prog = static.default_main_program()
>>> img = static.data(name='img', shape=[None, 1,28,28], dtype='float32')
>>> label = static.data(name='label', shape=[None,1], dtype='int64')
>>> for var in prog.list_vars():
...     print(var)

>>> # var img : LOD_TENSOR.shape(-1, 1, 28, 28).dtype(float32).stop_gradient(True)
>>> # var label : LOD_TENSOR.shape(-1, 1).dtype(int64).stop_gradient(True)

          

all_parameters()¶

获取当前 Program 中所有的模型参数。返回值是一个列表。

返回

list[ 模型参数 ]，一个包含当前 Program 中所有参数的列表。

代码示例

           >>> import paddle
>>> import paddle.static as static

>>> paddle.enable_static()

>>> program = static.default_main_program()
>>> data = static.data(name='x', shape=[None, 13], dtype='float32')
>>> hidden = static.nn.fc(x=data, size=10)
>>> loss = paddle.mean(hidden)
>>> paddle.optimizer.SGD(learning_rate=0.01).minimize(loss)

>>> for param in program.all_parameters():
...     print(param)

>>> # Here will print all parameters in current program, in this example,
>>> # the result is like:
>>> #
>>> # persist trainable param fc_0.w_0 : LOD_TENSOR.shape(13, 10).dtype(float32).stop_gradient(False)
>>> # persist trainable param fc_0.b_0 : LOD_TENSOR.shape(10,).dtype(float32).stop_gradient(False)
>>> #
>>> # Here print(param) will print out all the properties of a parameter,
>>> # including name, type and persistable, you can access to specific
>>> # property of a parameter, such as param.name, param.type

          

state_dict(mode='all', scope=None)¶

获取当前 Program 持久性变量。并将所有持久性变量存放在 dict 结构中。

参数

mode (str，可选) - 获取何种持久性变量。目前支持以下选项：(1) opt：获得优化器的持久性变量放在 dict 结构中；(2) param：获得组网中的持久性变量放在 dict 结构中，不包含优化器中的持久性变量；(3) all：获得组网和优化器中的持久性变量放在 dict 结构中；默认值为 all。

scope (Scope，可选) - 如果 scope 为 None，通过 paddle.static.global_scope() 获取全局/默认作用域实例，并从中获取 state_dict；否则从指定的 scope 获取 state_dict。默认值为 None 。

返回

dict，包含持久性变量的 dict，键值是持久性变量的名字，值为持久性变量。

代码示例

           >>> import paddle
>>> import paddle.static as static

>>> paddle.enable_static()

>>> x = static.data(name="x", shape=[10, 10], dtype='float32')
>>> y = static.nn.fc(x, 10)
>>> z = static.nn.fc(y, 10)

>>> place = paddle.CPUPlace()
>>> exe = static.Executor(place)
>>> exe.run(static.default_startup_program())
>>> prog = static.default_main_program()

>>> path = "./temp/model.pdparams"
>>> paddle.save(prog.state_dict(), path)

          

set_state_dict(state_dict, scope=None)¶

将 state_dict 中的持久性变量设置到 Program 中。

参数

state_dict (dict) - 包含持久性变量的字典。键值是持久性变量的名字，值为持久性变量。

scope (Scope，可选) - 如果 scope 为 None，通过 paddle.static.global_scope() 获取全局/默认作用域实例，并将 state_dict 中久性变量设置到这个作用域中；否则将 state_dict 设置到指定的 scope 中。默认值为 None 。

返回

无。

代码示例

           >>> import paddle
>>> import paddle.static as static

>>> paddle.enable_static()

>>> x = static.data(name="x", shape=[10, 10], dtype='float32')
>>> y = static.nn.fc(x, 10)
>>> z = static.nn.fc(y, 10)

>>> place = paddle.CPUPlace()
>>> exe = static.Executor(place)
>>> exe.run(static.default_startup_program())
>>> prog = static.default_main_program()

>>> path = "./temp/model.pdparams"
>>> paddle.save(prog.state_dict(), path)
>>> state_dict_load = paddle.load(path)
>>> prog.set_state_dict(state_dict_load)

          

使用本API的教程文档¶

隐式数据类型提升介绍