动态图¶
作者: PaddlePaddle
日期: 2022.5
摘要: 从飞桨框架2.0版本开始,飞桨默认为开启了动态图开发模式。在这种模式下,每次执行一个运算,可以立即得到结果(而不是事先定义好网络结构,然后再执行)。在动态图模式下,你可以更加方便的组织代码,更容易的调试程序,本示例教程将向你介绍飞桨的动态图的使用。
一、环境配置¶
本教程基于 PaddlePaddle 2.3.0 编写,如果你的环境不是本版本,请先参考官网安装 PaddlePaddle 2.3.0。
import paddle
import paddle.nn.functional as F
import numpy as np
print(paddle.__version__)
2.3.0
二、基本用法¶
在动态图模式下,你可以直接运行一个飞桨提供的API,它会立刻返回结果到python。不再需要首先创建一个计算图,然后再给定数据去运行。
a = paddle.randn([4, 2])
b = paddle.arange(1, 3, dtype='float32')
print(a)
print(b)
c = a + b
print(c)
d = paddle.matmul(a, b)
print(d)
W0509 14:36:44.526748 119 gpu_context.cc:278] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.2, Runtime API Version: 10.1
W0509 14:36:44.531500 119 gpu_context.cc:306] device: 0, cuDNN Version: 7.6.
Tensor(shape=[4, 2], dtype=float32, place=Place(gpu:0), stop_gradient=True,
[[ 0.02909037, 0.31686500],
[ 1.21520174, 0.43905804],
[ 0.29906181, 1.46106803],
[ 0.16497211, -1.44989705]])
Tensor(shape=[2], dtype=float32, place=Place(gpu:0), stop_gradient=True,
[1., 2.])
Tensor(shape=[4, 2], dtype=float32, place=Place(gpu:0), stop_gradient=True,
[[1.02909040, 2.31686497],
[2.21520185, 2.43905807],
[1.29906178, 3.46106815],
[1.16497207, 0.55010295]])
Tensor(shape=[4], dtype=float32, place=Place(gpu:0), stop_gradient=True,
[ 0.66282034, 2.09331775, 3.22119784, -2.73482203])
三、使用python的控制流¶
动态图模式下,你可以使用python的条件判断和循环,这类控制语句来执行神经网络的计算。(不再需要cond
, loop
这类OP)
a = paddle.to_tensor(np.array([1, 2, 3]))
b = paddle.to_tensor(np.array([4, 5, 6]))
for i in range(10):
r = paddle.rand([1,])
if r > 0.5:
c = paddle.pow(a, i) + b
print("{} +> {}".format(i, c.numpy()))
else:
c = paddle.pow(a, i) - b
print("{} -> {}".format(i, c.numpy()))
0 -> [-3 -4 -5]
1 -> [-3 -3 -3]
2 +> [ 5 9 15]
3 -> [-3 3 21]
4 +> [ 5 21 87]
5 +> [ 5 37 249]
6 +> [ 5 69 735]
7 +> [ 5 133 2193]
8 +> [ 5 261 6567]
9 +> [ 5 517 19689]
四、构建更加灵活的网络:控制流¶
使用动态图可以用来创建更加灵活的网络,比如根据控制流选择不同的分支网络,和方便的构建权重共享的网络。接下来来看一个具体的例子,在这个例子中,第二个线性变换只有0.5的可能性会运行。
在sequence to sequence with attention的机器翻译的示例中,你会看到更实际的使用动态图构建RNN类的网络带来的灵活性。
class MyModel(paddle.nn.Layer):
def __init__(self, input_size, hidden_size):
super(MyModel, self).__init__()
self.linear1 = paddle.nn.Linear(input_size, hidden_size)
self.linear2 = paddle.nn.Linear(hidden_size, hidden_size)
self.linear3 = paddle.nn.Linear(hidden_size, 1)
def forward(self, inputs):
x = self.linear1(inputs)
x = F.relu(x)
if paddle.rand([1,]) > 0.5:
x = self.linear2(x)
x = F.relu(x)
x = self.linear3(x)
return x
total_data, batch_size, input_size, hidden_size = 1000, 64, 128, 256
x_data = np.random.randn(total_data, input_size).astype(np.float32)
y_data = np.random.randn(total_data, 1).astype(np.float32)
model = MyModel(input_size, hidden_size)
loss_fn = paddle.nn.MSELoss(reduction='mean')
optimizer = paddle.optimizer.SGD(learning_rate=0.01,
parameters=model.parameters())
for t in range(200 * (total_data // batch_size)):
idx = np.random.choice(total_data, batch_size, replace=False)
x = paddle.to_tensor(x_data[idx,:])
y = paddle.to_tensor(y_data[idx,:])
y_pred = model(x)
loss = loss_fn(y_pred, y)
if t % 200 == 0:
print(t, loss.numpy())
loss.backward()
optimizer.step()
optimizer.clear_grad()
0 [1.3522581]
200 [0.64742535]
400 [0.4166624]
600 [0.23887901]
800 [0.07141486]
1000 [0.12339798]
1200 [0.05505134]
1400 [0.03840963]
1600 [0.02036735]
1800 [0.01209428]
2000 [0.00706512]
2200 [0.00202894]
2400 [0.00118904]
2600 [0.0007184]
2800 [0.00157895]
五、构建更加灵活的网络:共享权重¶
使用动态图还可以更加方便的创建共享权重的网络,下面的示例展示了一个共享了权重的简单的AutoEncoder。
你也可以参考图像搜索的示例看到共享参数权重的更实际的使用。
inputs = paddle.rand((256, 64))
linear = paddle.nn.Linear(64, 8, bias_attr=False)
loss_fn = paddle.nn.MSELoss()
optimizer = paddle.optimizer.Adam(0.01, parameters=linear.parameters())
for i in range(10):
hidden = linear(inputs)
# weight from input to hidden is shared with the linear mapping from hidden to output
outputs = paddle.matmul(hidden, linear.weight, transpose_y=True)
loss = loss_fn(outputs, inputs)
loss.backward()
print("step: {}, loss: {}".format(i, loss.numpy()))
optimizer.step()
optimizer.clear_grad()
step: 0, loss: [0.33135626]
step: 1, loss: [0.28557813]
step: 2, loss: [0.2574758]
step: 3, loss: [0.23101914]
step: 4, loss: [0.20071073]
step: 5, loss: [0.168224]
step: 6, loss: [0.13872787]
step: 7, loss: [0.11772966]
step: 8, loss: [0.10650167]
step: 9, loss: [0.1003489]
The End¶
可以看到使用动态图带来了更灵活易用的方式来组网和训练。你也可以在【使用注意力机制的LSTM的机器翻译】和【图片检索】两个示例中看到更完整的动态图的实际应用的灵活和便利。