开发 API Python 端¶

2.1 确定文件位置和 API 名称¶

提交飞桨 API 设计文档时，就需要参考 API 设计和命名规范 确定 Python API 的代码文件存放位置和 API 名称。按照已有设计，在 python/paddle 目录下的相应子目录中添加新的 .py 代码文件，遵循相似功能的 API 放在同一文件夹的原则。

比如，大部分常用的数组运算 API（在 numpy 中有功能相似的 numpy.*** API ）都放在 python/paddle/tensor 目录下。具体的功能细分如下：

与 paddle/tensor 功能类似，paddle.nn.functional 中也包含许多用于操作 tensor 的函数，但是这里主要是放一些更常用于神经网络中的函数，比如 batch_norm, conv2d，这些往往可能在 numpy 中没有直接对应的函数。

说明：写新的 API 时可以参考该 API 的功能和哪一类更为相似，如果有不确定的情况，请 新建 ISSUE 说明。

2.2 Python API 的代码开发示例¶

先看一个简单的 Python API 的代码样例，如图 1 所示，可以看到主要包括以下几部分：

• 函数定义：定义 Python 接口函数。

• 英文文档：API 的英文文档直接写在 .py 代码文件中，如下图所示；API 的中文文档则写到 PaddlePaddle/docs 仓库中。

• 代码示例：该 API 的使用示例代码。

• 函数主体代码：包括输入参数的检查、调用算子的执行逻辑等内容。

接下来通过两个代码示例，介绍 Python API 的函数主体代码开发的一些惯例，以及用到的主要函数类的接口。

说明：因为飞桨框架同时支持动态图和静态图，因此通常情况下，飞桨 API 需要实现动态图分支和静态图分支，不同分支下的行为是保持一致的，并且对外统一成一个 API 接口。

def zeros(shape, dtype=None, name=None):
    # 为了突出重点，省略中间的文档和示例部分
    if dtype is None:
        dtype = 'float32'
    return fill_constant(value=0.0, shape=shape, dtype=dtype, name=name)

def trace(x, offset=0, axis1=0, axis2=1, name=None):
    # 为了突出重点，省略部分代码
    # 动态图分支，直接调用算子对应的 Python C 函数
    if in_dygraph_mode():
        return _C_ops.trace( x, offset, axis1, axis2 )

    # 静态图分支
    ## 输入参数检查
    __check_input(x, offset, axis1, axis2)

    ## 构造输出，添加 op，返回输出
    helper = LayerHelper('trace', **locals())
    out = helper.create_variable_for_type_inference(dtype=x.dtype)

    helper.append_op(
        type='trace',
        inputs={'Input': [x]},
        attrs={'offset': offset,
               'axis1': axis1,
               'axis2': axis2},
        outputs={'Out': [out]})
    return out

    # 动态图分支，直接调用算子对应的 Python C 函数
    if in_dygraph_mode():
        return _C_ops.trace( x, offset, axis1, axis2 )

    # 静态图分支
    ## 输入参数检查
    __check_input(x, offset, axis1, axis2)

    ## 构造输出，添加 OP，返回输出
    # LayerHelper 是一个用于创建 OP 输出变量、向静态图 program 中添加 OP 的辅助工具类
    helper = LayerHelper('trace', **locals())
    # 创建输出 Tensor
    out = helper.create_variable_for_type_inference(dtype=x.dtype)
    # 将输入 Tensor，输出 Tensor, 非 Tensor 的 attributes 以三个字典的形式，作为参数添加 OP
    helper.append_op(
        type='trace',
        inputs={'Input': [x]},
        attrs={'offset': offset,
               'axis1': axis1,
               'axis2': axis2},
        outputs={'Out': [out]})
    return out

def __check_input(x, offset, axis1, axis2):
        # 检查输入 x 的 dtype 是否在要求范围内
        check_dtype(x.dtype, 'Input',
                    ['int32', 'int64', 'float16', 'float32', 'float64'],
                    'trace')
        # 检查输入 x 的维度信息
        input_shape = list(x.shape)
        assert len(input_shape) >= 2,                     \
                "The x must be at least 2-dimensional, "   \
                "But received Input x's dimensional: %s.\n" %  \
                len(input_shape)

        axis1_ = axis1 if axis1 >= 0 else len(input_shape) + axis1
        axis2_ = axis2 if axis2 >= 0 else len(input_shape) + axis2
        # 检查参数值是否有效
        assert ((0 <= axis1_) and (axis1_ < len(input_shape))),     \
            "The argument axis1 is out of range (expected to be in range of [%d, %d], but got %d).\n"  \
            % (-(len(input_shape)), len(input_shape) - 1, axis1)

        assert ((0 <= axis2_) and (axis2_ < len(input_shape))),   \
            "The argument axis2 is out of range (expected to be in range of [%d, %d], but got %d).\n"   \
            % (-(len(input_shape)), len(input_shape) - 1, axis2)


        assert  axis1_ != axis2_,   \
               "axis1 and axis2 cannot be the same axis." \
                "But received axis1 = %d, axis2 = %d\n"%(axis1, axis2)

2.3 将 API 绑定为 Tensor 的方法¶

（1）背景介绍

Paddle 中的许多计算函数，既能够作为独立函数使用，也能作为 Tensor 的方法使用。作为 Tensor 方法使用则可以更方便地链式调用。例子如下：

x = paddle.randn([2, 3])

paddle.abs(x) # 与 x.abs() 等价
paddle.sin(paddle.abs(x)) # 与 x.abs().sin() 等价

paddle.sum(x, axis=0) # 与 x.sum(axis=0) 等价

这两种使用方式的对应规则是，当作为 Tensor 方法调用时，相当于自动把该 Tensor 作为独立函数的第一个参数传入，其余参数的传入则和独立函数的使用一致。目前 python/paddle/tensor 子目录下的许多 API 都支持这样的调用方式。

（2）具体做法

如需让新增的函数支持作为 Tensor 方法调用，则需要将函数名添加到 Python/paddle/tensor/__init__.py 中的 tensor_method_func 列表中。具体的做法是：

1. 在 Python/paddle/tensor/init.py 中 import 所需的函数；

2. 然后将其名字加入 tensor_method_func 列表。

# import 所需函数
from .math import trace
# 加入 tensor_method_func 列表
tensor_method_func = [
    'trace',
]

2.4 将 API 加入公开 API 列表并设置正式名称¶

（1）背景介绍

根据 API 设计和命名规范，API 的代码开发完成并加入对应目录/文件中后，还有两个开发要点需关注：

• 新开发的 API 如果需要公开，需加入公开 API 列表，一般添加到对应目录下 __init__.py文件的__all__ 列表中；非公开 API 不能添加到 __all__ 列表中。

• 常用的 API 可以在更高层级建立别名，比如： paddle.tensor 目录下的 API，均在 paddle 根目录建立别名，其他所有 API 在 paddle 根目录下均没有别名。并且有多个别名时需设置一个推荐的名称，作为正式名称。

建立别名的方法可以参考如下 Python 的用法。在 Python 中，如果模块 a 中导入了模块 b 提供的函数或者类 f，那么开发者想要使用 f，既可以从模块 a 中导入，也可以从模块 b 中导入。

# b.py，模块 b 中定义了 f
def f():
  pass

# a.py，模板 a 中导入了 b 提供的 f
from b import f

# client.py，在使用时，既可以从 a 中导入 f 也可以从 b 中导入 f
from b import f # it's ok
from a import f # it's ok, too

（2）具体做法

• 一些常用的 Paddle API 可先参考上述方法建立别名，比如前文示例中 paddle.trace API 的 trace 函数定义在 Python/paddle/tensor/math.py 中，又在 Python/paddle/tensor/init.py 中被 import，并且也在 Python/paddle/init.py 中被 import。

# Python/paddle/tensor/math.py
def trace(...):
        ...

# Python/paddle/tensor/__init__.py
from .math import trace

# Python/paddle/__init__.py
from .tensor.math import trace

如此设置，import paddle 之后，可以通过 paddle.trace, paddle.tensor.trace 和 paddle.tensor.math.trace 多个名称来调用这个函数，即该 API 有多个名称，但是推荐使用 paddle.trace这个更简洁的名称作为正式名称。

• 设置 paddle.trace 作为正式名称，具体做法是：

  • 仅在 Python/paddle/__init__.py 文件的 __all__ 列表中加入 'trace'；

  • 不在 Python/paddle/tensor/__init__.py 和 Python/paddle/tensor/math.py 的 __all__ 列表中加入 'trace'。

说明：当出现类似把一个元素放入一个集中管理的列表的操作时，可以考虑按照字母表顺序插入列表中的合适位置。因为如果有多人同时新增 API 时，这样的方式比直接加在末尾更不容易出现冲突。

3.1 添加 C++ 算子单元测试¶

（1）文件存放路径和命名方式

在 python/paddle/fluid/tests/unittests 目录下，一般以 test_xxx_op.py 的形式命名（假设算子名为xxx），与 Python API 的单元测试文件命名为相同的前缀。

（2）C++ 算子单元测试的开发指导

相关的开发指导和规范可以参考：

• C++ 算子开发指南-添加单元测试

• Op 开发手册(Operator Development Manual)

在此不作展开，本文主要讲述 Python API 的单元测试。

3.2 添加 Python API 单元测试¶

（1）文件存放路径和命名方式

在 python/paddle/fluid/tests/unittests 目录下，一般以 test_xxx.py 的形式命名（假设算子名为xxx）。

如果为这个 API 也开发了对应的 C++ 算子，那么也可以把对 Python API 的单元测试和 C++ 算子的单元测试写在同一个文件中，一般以 test_xxx_op.py 的形式命名。

（2）Python API 单测开发及验收规范

请遵循飞桨的 API 单测开发及验收规范，需提前阅读。

特别注意：单元测试要求新增代码单元测试行覆盖率达到 90%，可在 CI 测试 的 PR-CI-Coverage 测试项中查看覆盖率。

（3）Python API 单元测试的开发指导

Python API 的单元测试直接继承 Python 内置的 UnitTest.TestCase 类，一般来说需要用 NumPy/SciPy 中的对应功能作为参考，如果 NumPy/SciPy 中没有现成的对应函数，可以用 NumPy/SciPy 实现一个作为参考，并以这个为基准对新增的 Python API 进行测试，如 test_activation_op.py 中 paddle.nn.Hardtanh API 的单元测试，代码如下所示。

开发步骤：

1. 用 NumPy/SciPy 实现用于对比结果的计算函数（NumPy/SciPy 有现成函数时可跳过这一步）；

2. 在 setUp 函数中定义输入等相关属性参数；

3. 实现静态图单元测试代码；

4. 实现动态图单元测试代码。

# 使用 numpy 实现 hardtanh 函数，用于对比结果
def ref_hardtanh(x, min=-1.0, max=1.0):
    out = np.copy(x)
    out[np.abs(x - min) < 0.005] = min + 0.02
    out[np.abs(x - max) < 0.005] = max + 0.02
    out = np.minimum(np.maximum(x, min), max)
    return out

class TestHardtanhAPI(unittest.TestCase):
    # test paddle.nn.Hardtanh, paddle.nn.functional.hardtanh
    def setUp(self):
        np.random.seed(1024)
        self.x_np = np.random.uniform(-3, 3, [10, 12]).astype('float32')
        self.place=paddle.CUDAPlace(0) if paddle.is_compiled_with_cuda() \
            else paddle.CPUPlace()

    # 静态图单测
    def test_static_api(self):
        # 开启静态图模式
        paddle.enable_static()
        with paddle.static.program_guard(paddle.static.Program()):
            x = paddle.fluid.data('X', [10, 12])
            out1 = F.hardtanh(x)
            m = paddle.nn.Hardtanh()
            out2 = m(x)
            exe = paddle.static.Executor(self.place)
            # 计算静态图结果
            res = exe.run(feed={'X': self.x_np}, fetch_list=[out1, out2])
        out_ref = ref_hardtanh(self.x_np)
        for r in res:
            # 对比静态图与 numpy 实现函数计算结果是否相同
            self.assertEqual(np.allclose(out_ref, r), True)

    # 动态图单测
    def test_dygraph_api(self):
        # 关闭静态图模式
        paddle.disable_static(self.place)
        x = paddle.to_tensor(self.x_np)
        # 测试动态图 F.hardtanh 和 paddle.nn.Hardtanh 计算结果
        out1 = F.hardtanh(x)
        m = paddle.nn.Hardtanh()
        out2 = m(x)
        out_ref = ref_hardtanh(self.x_np)
        for r in [out1, out2]:
            self.assertEqual(np.allclose(out_ref, r.numpy()), True)

        out1 = F.hardtanh(x, -2.0, 2.0)
        m = paddle.nn.Hardtanh(-2.0, 2.0)
        out2 = m(x)
        out_ref = ref_hardtanh(self.x_np, -2.0, 2.0)
        for r in [out1, out2]:
            self.assertEqual(np.allclose(out_ref, r.numpy()), True)
        paddle.enable_static()

开发要点：

• 无论是用其他 Python API 组合得到新的 API，还是封装新开发 C++ 算子得到的新 API，都必须添加动态图和静态图的测试用例，确保对应情况工作正常，结果符合预期。

• 通常情况下新增 Python API 的单元测试，可以不必测试反向计算功能，因为在 C++ 算子的单元测试中会包含反向算子功能的测试。

• 用 NumPy/SciPy 的实现对比时，一般用 self.assertTrue(numpy.allclose(actual, desired)) 或者 numpy.testing.assert_allclose(actual, desired) 来进行数值对比。其中，numpy.testing.assert_allclose 相对误差和绝对误差是 rtol=1e-07, atol=0；numpy.allclose 的相对误差和绝对误差是 rtol=1e-05, atol=1e-08，前者比后者更严格。一般进行单元测试的时候，都使用默认的误差阈值，如需设置自定义的阈值，需要说明原因。

• 因为单元测试各个 case 的运行次序是不确定的，为了保证不同的测试 case 运行在正确的运行模式（动态图/静态图）上，常见的做法有：

  • 在每个测试 case 的起始部分，显式切换 paddle 的运行模式，用paddle.enable_static 和 paddle.disable_static 分别激活和取消静态图模式。如前文代码所示，在 test_static_api 和 test_dygraph_api 的开头分别切换了状态。

  • 将静态图和动态图测试定义为不以 test 开头的函数（如 test_l1_loss.py 中定义为 run_imperative、run_static 函数)，然后定义一个 test 开头的函数，切换不同的状态去运行它。

     def test_cpu(self):
         # 关闭静态图模式，测试动态图模式
         paddle.disable_static(place=paddle.fluid.CPUPlace())
         self.run_imperative()
         # 开启静态图模式，测试静态图模式
         paddle.enable_static()
    
         with fluid.program_guard(fluid.Program()):
             self.run_static()
    

  • 将动态图和静态图的测试 case 分在不同的 Python 文件中，import paddle 后在模块级别设置 paddle 的运行模式。比如 test_rnn_cells.py 和 test_rnn_cells_static.py 的做法。

  • 在测试模块级别设定 paddle 的运行模式为静态图（一般是在一个模块的开始，而不是写在 if __name__=="__main__": 里)。然后在需要使用动态图的 case 里，将动态图部分的代码至于 dygraph.guard 上下文管理器内。这是老式的写法，目前不再推荐这么写，但已有的代码库中也存在这样的模式。

3.3 运行单元测试¶

代码开发完成后，需要从源码编译 Paddle，并调试开发的功能。

(1) 本地编译 Paddle

编译方法请参见 从源码编译 章节，推荐使用 Docker 编译的方式。Docker 环境中已预装好编译 Paddle 需要的各种依赖，相较本机编译更便捷。

注意：编译必须打开 WITH_TESTING 选项（-DWITH_TESTING=ON），以确保新增的单元测试文件（python/paddle/fluid/tests/unittests/ 目录下 test_*.py 文件）自动加入工程进行编译。

运行单元测试需要在 build 目录下，以 ctest ${test_name} 的命令运行。其中 test_name 指的是所需运行测试 target 的名字，和上述添加的单元测试文件名字相同，但不带 .py 后缀。

(2) 执行单元测试

编译成功后，在 build 目录下执行 ctest ${test_name} 命令来运行单元测试，并确保单元测试通过。其中 test_name 指的是所需运行测试 target 的名字，和上述添加的单元测试文件名字相同，但不带 .py 后缀。

比如运行 python/paddle/fluid/tests/unittests/test_logsumexp.py 的命令如下：

ctest -R test_logsumexp

注意：执行单测一定要用 ctest 命令，不可直接 python test_*.py。

对于需要开发 C++ 算子的 API，可以把 C++ 算子的单元测试与 Python API 的单元测试写在一个文件中。

ctest 还可以批量运行名字匹配某个正则表达式的测试 target, 通过 -R 参数传入正则表达式。比如通过 ctest -R test_logsumexp 就可以运行所有以 test_logsumexp 开头的单测 target.

此外，需要单元测试输出更详细的信息以便 debug 时，可以在运行 ctest 时传入 -V 或者 -VV 选项以查看更详细的输出，如 ctest -V -R test_logsumexp。

6.1 调试 Python 代码时减少重编译的方法¶

• 如果你的修改不涉及 C++ 代码，那么一般不需要重新编译就可以重新运行测试，以验证刚发生的修改是否解决了问题。

Paddle 编译过程中，对于 Python 代码的处理方式是，先把它们拷贝到 build 目录，对于 Python API 和 Python 单元测试所在的文件都是如此处理。比如： Python/paddle/fluid/tests/unittests/test_bmm_op.py 拷贝到 build 目录后位置是 build/Python/paddle/fluid/tests/unittests/test_bmm_op.py。并且通过 ctest 运行单元测试时，会把 build/Python 这个目录加入 PYTHONPATH，因此它所调用的单元测试文件 和 Python API 代码文件也是 build 目录里的那一份。

• 如果你的修改没有涉及任何 C++ 文件，那么你也可以直接在 build 目录下修改对应的文件，直到问题解决，然后把文件拷贝回去覆盖 Paddle 目录的对应文件。

特别提醒：不要忘记拷贝回去这一步，因为重新 build 的时候，会再次从 Paddle 目录拷贝 Python 文件，如果最后忘了拷贝回 Paddle 目录，那么你的修改会因为再次的编译而被覆盖。