支持语法¶

3.1 if-else¶

主要逻辑： 在动态图中，模型代码是一行一行解释执行的，因此控制流的条件变量是在运行期确定的，意味着 False 的逻辑分支不会被执行。

在静态图中，控制流通过cond接口实现。每个分支分别通过true_fn 和false_fn 来表示。

当 if中的条件是Tensor时，动转静会自动把该if-elif-else语句转化为静态图的cond API 语句。

当if中的条件不是Tensor时，会按普通 Python if-else 的逻辑运行。

注：当条件为Tensor时，只接受numel()==1的 bool Tensor，否则会报错。

错误修改指南：

当模型代码中的if-else转换或执行报错时，可以参考如下方式排查：

• 使用if语句时，请确定条件变量是否是Paddle.Tensor类型。若不是 Tensor 类型，则会当按照常规的 python 逻辑执行，而不会转化为静态图。

• 若if中条件变量为 Tensor 类型，需确保其为 boolean 类型，且 tensor.numel()为 1。

3.2 while 循环¶

主要逻辑：

当 while 循环中的条件是 Tensor 时，动转静会把该 while 语句转化为静态图中的while_loop API 语句，否则会按普通 Python while 运行。

注：while 循环条件中的 Tensor 须是 numel 为 1 的 bool Tensor，否则会报错。

错误修改指南：

类似 if-elif-else，注意事项也相似。

3.3 for 循环¶

主要逻辑：

for 循环按照使用方法的不同，语义有所不同。正常而言，for 循环的使用分为如下种类：

• for _ in range(len) 循环：动转静会先将其转化为等价的 Python while 循环，然后按 while 循环的逻辑进行动静转换。

• for _ in x 循环： 当 x 是 Python 容器或迭代器，则会用普通 Python 逻辑运行。当 x 是 Tensor 时，会转化为依次获取 x[0], x[1], ... 。

• for idx, val in enumerate(x)循环：当 x 是 Python 容器或迭代器，则会用普通 Python 逻辑运行。当 x 是 Tensor 时，idx 会转化为依次 0，1，...的 1-D Tensor。val 会转化为循环中每次对应拿出 x[0], x[1], ... 。

从实现而言，for 循环最终会转化为对应的 while 语句，然后使用WhileOp来进行组网。

使用样例：

此处使用上述 For 的第二个用法举例。如果 x 是一个多维 Tensor，则也是返回 x[0] ，x[1]. ...

def ForTensor(x):
    """Fetch element in x and print the square of each x element"""
    for i in x :
        print (i * i)

#调用方法，ForTensor(paddle.to_tensor(x))

3.4 流程控制语句说明 (return / break / continue)¶

主要逻辑：

目前的动转静支持 for、while 等循环中添加 break，continue 语句改变控制流，也支持在循环内部任意位置添加 return 语句，支持 return 不同长度 tuple 和不同类型的 Tensor。

使用样例：

# break 的使用样例
def break_usage(x):
    tensor_idx = -1
    for idx, val in enumerate(x) :
        if val == 2.0 :
            tensor_idx = idx
            break  # <------- jump out of while loop when break ;
    return tensor_idx

当时输入 x = Tensor([1.0, 2.0 ,3.0]) 时，输出的 tensor_idx 是 Tensor([1])。

注：这里虽然 idx 是-1，但是返回值还是 Tensor。因为tensor_idx 在 while loop 中转化为了Tensor。

3.5 与、或、非¶

主要逻辑：

动转静模块支持将与、或、非三种运算符进行转换并动态判断，按照两个运算符 x 和 y 的不同，会有不同的语义：

• 如果运算符两个都是 Tensor，会组网静态图。

• 如果运算符都不是 Tensor，那么使用原始 python 语义。

• 如果一个是 Tensor，那么会走默认的 python 语义（最后还是 tensor 的运算符重载结果）。

注：若按照 paddle 的语义执行，与、或、非不再支持 lazy 模式，意味着两个表达式都会被 eval，而不是按照 x 的值来判断是否对 y 进行 eval。

使用样例：

def and(x, y):
    z = y and x
    return z

3.6 类型转换运算符¶

主要逻辑：

动态图中可以直接用 Python 的类型转化语法来转化 Tensor 类型。如若 x 是 Tensor 时，float(x)可以将 x 的类型转化为 float。

动转静在运行时判断 x 是否是 Tensor，若是，则在动转静时使用静态图cast接口转化相应的 Tensor 类型。

使用样例：

def float_convert(x):
    z = float(x)
    return z
# 如果输入是 x = Tensor([True]) ，则 z = Tensor([1.0])

3.7 对一些 python 函数调用的转换¶

主要逻辑：

动转静支持大部分的 python 函数调用。函数调用都会被统一包装成为convert_xxx()的形式，在函数运行期判别类型。若是 Paddle 类型，则转化为静态图的组网；反之则按照原来的 python 语义执行。常见函数如下：

• print 函数 若参数是 Tensor，在动态图模式中 print(x)可以打印 x 的值。动转静时会转化为静态图的 Print 接口实现；若参数不是 Tensor，则按照 Python 的 print 语句执行。

• len 函数 若 x 是 Tensor，在动态图模式中 len(x)可以获得 x 第 0 维度的长度。动转静时会转化为静态图 shape 接口，并返回 shape 的第 0 维。若 x 是个 TensorArray，那么 len(x)将会使用静态图接口control_flow.array_length返回 TensorArray 的长度；对于其他情况，会按照普通 Python len 函数运行。

• lambda 表达式 动转静允许写带有 Python lambda 表达式的语句，并且我们会适当改写使得返回对应结果。

• 函数内再调用函数（非递归调用） 对于函数内调用其他函数的情况，动转静会对内部的函数递归地进行识别和转写，以实现在最外层函数只需加一次装饰器即可的效果。

使用样例：

这里以 lambda 函数为例，展示使用方法

def lambda_call(x):
    t = lambda x : x * x
    z = t(x)
    return z
# 如果输入是 x = Tensor([2.0]) ，则 z = Tensor([4.0])

不支持用法：

• 函数的递归调用

动转静暂不支持一个函数递归调用本身。原因是递归常常会用 if-else 构造停止递归的条件。此停止条件在静态图下只是一个 cond 组网，并不能在编译阶段得到递归条件的具体值，会导致函数运行时一直组网递归直至栈溢出。

def recur_call(x):
    if x > 10:
        return x
    return recur_call(x * x) # < ------ 如果输入是 x = Tensor([2.0]) ，动态图输出为 Tensor([16])，静态图会出现调用栈溢出

3.8 List 和 Dict 容器¶

主要逻辑：

• List : 若一个 list 的元素都是 Tensor，动转静将其转化为 TensorArray。静态图 TensorArray 仅支持 append，pop，修改操作，其他 list 操作（如 sort）暂不支持。若并非所有元素是 Tensor，动转静会将其作为普通 Python list 运行。

• Dict : 动转静支持原生的 Python dict 语法。

注：List 不支持多重嵌套和其他的操作。具体错误案例见下面不支持用法。

使用样例：

def list_example(x, y):
     a = [ x ]   # < ------ 支持直接创建
     a.append(x) # < ------ 支持调用 append、pop 操作
     a[1] = y    # < ------ 支持下标修改 append
     return a[0] # < ------ 支持下标获取

不支持用法：

• List 的多重嵌套

如 l = [[tensor1, tensor2], [tensor3, tensor4]] ，因为现在动转静将元素全是 Tensor 的 list 转化为 TensorArray，但 TensorArray 还不支持多维数组，因此这种情况下，动转静无法正确运行。遇到这类情况我们建议尽量用一维 list，或者自己使用 PaddlePaddle 的 create_array，array_read，array_write 接口编写为 TensorArray。

• List 的其他的操作，例如 sort 之类

# 不支持的 list sort 操作
def sort_list(x, y):
    a = [x, y]
    sort(a)   # < -----  不支持，因为转化为 TensorArray 之后不支持 sort 操作。但是支持简单的 append,pop 和按下标修改
    return a

3.9 paddle shape 函数¶

主要逻辑：

动转静部分支持 shape 函数：

• 【支持】当直接简单的使用 shape 时，可以正确获取 tensor 的 shape。

• 【不支持】当直接使用支持改变变量的 shape 后(例如 reshape 操作)调用其 shape 作为 PaddlePaddle API 参数。

如 x = reshape(x, shape=shape_tensor) ，再使用 x.shape[0] 的值进行其他操作。这种情况会由于动态图和静态图的本质不同而使得动态图能够运行，但静态图运行失败。其原因是动态图情况下，API 是直接返回运行结果，因此 x.shape 在经过 reshape 运算后是确定的。但是在转化为静态图后，因为静态图 API 只是组网，shape_tensor 的值在组网时是不知道的，所以 reshape 接口在组网完成后，静态图并不知道 x.shape 的值。PaddlePaddle 静态图用-1 表示未知的 shape 值，此时 x 的 shape 每个维度会被设为-1，而不是期望的值。同理，类似 expand 等更改 shape 的 API，其输出 Tensor 再调用 shape 也难以进行动转静。

使用样例：

def get_shape(x):
    return x.shape[0]

不支持用法举例：

def error_shape(x, y):
    y = y.cast('int32')
    t = x.reshape(y)
    return t.shape[0] # <------- 输入在 x = Tensor([2.0, 1.0])，y = Tensor([2])时，动态图输出为 2，而静态图输出为 -1 。不支持