API 设计和命名规范¶

总体原则¶

1. 单一职责，每个 API 应只完成单一的任务

2. 接口设计应考虑通用性，避免只适用于某些单一场景

3. 符合行业标准，综合参考开源深度学习框架的接口设计，借鉴各框架的优点；除非飞桨 API 设计有明确优势的情况下可保留自有特色，否则需要符合行业标准

4. 功能类似的接口，参数名和行为需要保持一致，比如，lstm 和 gru

5. 优先保证清晰，然后考虑简洁，避免使用不容易理解的缩写

6. 历史一致，如无必要原因，应避免接口修改

7. 动静统一，如无特殊原因，动态图和静态图下的 API 输入、输出要求一致。开发者使用相同的代码，均可以在动态图和静态图模式下执行

动态图与静态图模式¶

关于飞桨框架支持的开发模式，为了便于用户理解，代码和 API 均采用“动态图”和“静态图”的说法；文档优先使用“动态图”和“静态图”的说法，不推荐使用“命令式编程”和“声明式编程”的说法。

API 目录结构规范¶

• 公开 API 代码应该放置到以下列出的对应位置目录/文件中，并添加到目录下__init__.py 的 all 列表中。非公开 API 不能添加到 all 列表中

paddle	paddle 基础 API，Tensor 操作相关 API
paddle.tensor	跟 tensor 操作相关的 API，比如：创建 zeros, 矩阵运算 matmul, 变换 concat, 计算 add, 查找 argmax 等
paddle.nn	跟组网相关的 API，比如：Linear, Conv2D，损失函数，卷积，LSTM 等，激活函数等
paddle.nn.functional	跟组网相关的函数类 API，比如：conv2d、avg_pool2d 等
paddle.nn.initializer	网络初始化相关 API，比如 Normal、Uniform 等
paddle.nn.utils	网络相关工具类 API，比如 weight_norm、spectral_norm 等
paddle.static.nn	静态图下组网专用 API，比如：输入占位符 data/Input，控制流 while_loop/cond
paddle.static	静态图下基础框架相关 API，比如：Variable, Program, Executor 等
paddle.optimizer	优化算法相关 API，比如：SGD、Adagrad、Adam 等
paddle.optimizer.lr（文件）	学习率策略相关 API，比如 LinearWarmup、LRScheduler 等
paddle.metric	评估指标计算相关的 API，比如：accuracy, auc 等
paddle.io	数据输入输出相关 API，比如：save, load, Dataset, DataLoader 等
paddle.device（文件）	设备管理相关 API，通用类，比如：CPUPlace 等
paddle.device.cuda	设备管理相关 API，CUDA 相关，比如：CUDAPlace 等
paddle.distributed	分布式相关基础 API
paddle.distributed.fleet	分布式相关高层 API
paddle.distributed.fleet.utils	分布式高层 API 文件系统相关 API，比如 LocalFS 等
paddle.distributed.utils	分布式工具类 API，比如 get_host_name_ip 等
paddle.vision	视觉领域 API，基础操作且不属于子目录所属大类
paddle.vision.datasets	视觉领域 API，公开数据集相关，比如 Cifar10、MNIST 等
paddle.vision.models	视觉领域 API，模型相关，比如 ResNet、LeNet 等
paddle.vision.transforms	视觉领域 API，数据预处理相关，比如 CenterCrop、hflip 等
paddle.vision.ops	视觉领域 API，基础 op 相关，比如 DeformConv2D、yolo_box 等
paddle.text	NLP 领域 API, 比如，数据集，数据处理，常用网络结构，比如 transformer
paddle.utils	paddle.utils 目录下包含飞桨框架工具类的 API，且不属于子目录所属大类
paddle.utils.download	工具类自动下载相关 API，比如 get_weights_path_from_url
paddle.utils.profiler	工具类通用性能分析器相关 API，比如 profiler 等
paddle.utils.cpp_extension	工具类 C++扩展相关的 API，比如 CppExtension、CUDAExtension 等
paddle.utils.unique_name	工具类命名相关 API，比如 generate、guard 等
paddle.amp	paddle.amp 目录下包含飞桨框架支持的动态图自动混合精度(AMP)相关的 API，比如 GradScaler 等
paddle.jit	paddle.jit 目录下包含飞桨框架支持动态图转静态图相关的 API，比如 to_static 等
paddle.distribution	paddle.distribution 目录下包含飞桨框架支持的概率分布相关的 API，比如 Normal 等
paddle.regularizer	正则相关的 API，比如 L1Decay 等
paddle.sysconfig	Paddle 系统路径相关 API，比如 get_include、get_lib 等
paddle.callbacks	paddle.callbacks 目录下包含飞桨框架支持的回调函数相关的 API，比如 Callback 等
paddle.hub	paddle.hub 目录下包含飞桨框架模型拓展相关的 API 以及支持的模型库列表，比如 list 等
paddle.autograd	自动梯度求导相关，比如 grad、backward 等
paddle.inference	paddle 预测相关，比如 Predictor 等
paddle.onnx	onnx 导出相关，比如 onnx.export
paddle.incubate	新增功能孵化目录

• 常用的 API 可以在更高层级建立别名，当前规则如下：

  1. 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。

  2. paddle.nn 目录下除了 functional 目录以外的所有 API，在 paddle.nn 目录下均有别名。

     paddle.nn.functional.mse_loss # functional 下的函数不建立别名，使用完整名称
     paddle.nn.Conv2D # 为 paddle.nn.layer.conv.Conv2D 建立的别名
     

  3. 一些特殊情况比如特别常用的 API 会直接在 paddle 下建立别名

     paddle.tanh # 为常用函数 paddle.tensor.math.tanh 建立的别名
     paddle.linspace# 为常用函数 paddle.fluid.layers.linspace 建立的别名
     

API 行为定义规范¶

• 动静统一要求。除了 paddle.static 目录中的 API 外，其他目录的所有 API 原则上均需要支持动态图和静态图模式下的执行，且输入、输出要求一致。开发者使用相同的代码，可以在动态图和静态图模式下执行。

  #静态图专用
  paddle.fluid.gradients(targets, inputs, target_gradients=None, no_grad_set=None)
  #动态图专用
  paddle.fluid.dygraph.grad(outputs, inputs, grad_outputs=None, retain_graph=None, create_graph=False, only_inputs=True, allow_unused=False, no_grad_vars=None, backward_strategy=None)
  #动、静态图通用
  paddle.nn.functional.conv2d(x, weight, bias=None, padding=0, stride=1, dilation=1, groups=1, use_cudnn=True, act=None, data_format="NCHW", name=None)
  paddle.nn.Conv2D(num_channels, num_filters, filter_size, padding=0, stride=1, dilation=1, groups=1, param_attr=None, bias_attr=None, use_cudnn=True, act=None, data_format="NCHW", dtype='float32')
  

• API 不需要用户指定执行硬件，框架可以自动根据当前配置，选择执行的库。

• 设置缺省参数类型 组网类 API 去除 dtype 参数，比如 Linear, Conv2d 等，通过使用 paddle.set_default_dtype 和 paddle.get_default_dtype 设置全局的数据类型。

• 数据类型转换规则

  1. 不支持 Tensor 和 Tensor 之间的隐式数据类型转换，隐藏类型转换虽然方便，但风险很高，很容易出现转换错误。如果发现类型不匹配，进行隐式类型转换，一旦转换造成精度损失，会导致模型的精度降低，由于没有任何提示，问题非常难以追查；而如果直接向用户报错或者警告，用户确认后，修改起来会很容易。避免了出错的风险。

     import paddle
     a = paddle.randn([3, 1, 2, 2], dtype='float32')
     b = paddle.randint(0, 10, [3, 1, 2, 2], dtype='int32')
     c = a + b
     # 执行后会出现以下类型不匹配警告：
     # ......\paddle\fluid\dygraph\math_op_patch.py:239: UserWarning: The dtype of left and right variables are not the same, left dtype is paddle.float32, but right dtype is paddle.int32, the right dtype will convert to paddle.float32 format(lhs_dtype, rhs_dtype, lhs_dtype))
     

  2. 支持 Tensor 和 python Scalar 之间的隐式类型转换，当 Tensor 的数据类型和 python Scalar 是同一类的数据类型时（都是整型，或者都是浮点型），或者 Tensor 是浮点型而 python Scalar 是 整型的，默认会将 python Scalar 转换成 Tensor 的数据类型。而如果 Tensor 的数据类型是整型而 python Scalar 是浮点型时，计算结果会是 float32 类型的。

     import paddle
     a = paddle.to_tensor([1.0], dtype='float32')
     b = a + 1  # 由于 python scalar 默认采用 int64, 转换后 b 的类型为'float32'
     c = a + 1.0  # 虽然 python scalar 是 float64, 但计算结果 c 的类型为'float32'
     a = paddle.to_tensor([1], dtype='int32')
     b = a + 1.0  # 虽然 python scalar 是 float64, 但计算结果 b 的类型为 'float32
     c = a + 1  # 虽然 python scalar 是 int64, 但计算结果 c 的类型为'int32'
     

数据类型规范¶

• 参数数据类型

  对于 loss 类 API，比如 cross_entropy, bce_loss 等，输入的 label 需要支持[int32, int64, float32, float64]数据类型。

• 返回值数据类型

  实现需要返回下标 indices 的 API，比如 argmax、argmin、argsort、topk、unique 等接口时，需要提供 dtype 参数，用于控制返回值类型是 int32 或者 int64，默认使用 dtype=’int64’（与 numpy, tf, pytorch 保持一致），主要目的是当用户在明确输入数据不超过 int32 表示范围时，可以手动设置 dtype=’int32’来减少显存的占用；对于 dtype=’int32’设置，需要对输入数据的下标进行检查，如果超过 int32 表示范围，通过报错提示用户使用 int64 数据类型。

类名与方法名的规范¶

• 类名的命名应采用驼峰命名法，通常采用名词形式

  paddle.nn.Conv2D
  paddle.nn.BatchNorm
  paddle.nn.Embedding
  paddle.nn.LogSoftmax
  paddle.nn.SmoothL1Loss
  paddle.nn.LeakyReLU
  paddle.nn.Linear
  paddle.optimizer.lr.LambdaDecay
  

• 由多个单词组成的类名，最后一个单词应表示类型

  # SimpleRNNCell 继承自 RNNCellBase
  paddle.nn.SimpleRNNCell
  # BrightnessTransform 继承 BaseTransform
  paddle.vision.BrightnessTransform
  

• 函数的名称应采用全小写，单词之间采用下划线分割

  # 使用小写
  paddle.nn.functional.conv2d
  paddle.nn.functional.embedding
  # 如果由多个单词构成应使用下划线连接
  paddle.nn.functional.mse_loss
  paddle.nn.functional.batch_norm
  paddle.nn.functional.log_softmax
  

• 但一些约定俗成的例子可以保持不加下划线

  paddle.isfinite
  paddle.isnan
  paddle.isinf
  paddle.argsort
  paddle.cumsum
  

• API 命名时，缩写的使用不应引起歧义或误解；在容易引起歧义或误解的情况下，需要使用全称，比如

  # pytorch 使用 ge,lt 之类的缩写，可读性较差，应保留全称，与 numpy 和 paddle 保持一致
  paddle.tensor.greater_equal
  paddle.tensor.less_than
  # optimizer 不使用缩写
  paddle.optimizer.SGD
  # parameter 不使用缩写
  paddle.nn.create_parameter
  

• 在用于 API 命名时，常见的缩写列表如下：

  conv、max、min、prod、norm、gru、lstm、add、func、op、num、cond
  

• 在用于 API 命名时，以下建议使用全称，不推荐使用缩写

不规范命名	规范命名
div	divide
mul	multiply
sub	subtract
floor_div	floor_divide
lr	learning_rate
act	activation
eps	epsilon
val	value
var	variable
param	parameter
prog	program
idx	index
exe	executor
buf	buffer
trans	transpose
img	image
loc	location
len	length

• API 命名不应包含版本号

  # 不使用版本号
  paddle.nn.multiclass_nms2
  

• 常见的数学计算 API 中的逐元素操作不需要加上 elementwise 前缀，按照某一轴操作不需要加上 reduce 前缀，一些例子如下

paddle2.0 之前	pytorch	numpy	tensorflow	paddle2.0 之后
elementwise_add	add	add	add	add
elementwise_sub	sub	subtract	subtract	subract
elementwise_mul	mul	multiply	multiply	multiply
elementwise_div	div	divide	divide	divide
elementwise_min	min	minimum	minimum	minimum
elementwise_max	max	maximum	maximum	maximum
reduce_sum	sum	sum	reduce_sum	sum
reduce_prod	prod	prod	reduce_prod	prod
reduce_min	min	min	reduce_min	min
reduce_max	max	max	reduce_max	max
reduce_all	all	all	reduce_all	all
reduce_any	any	any	reduce_any	any
reduce_mean	mean	mean	reduce_mean	mean

• 整数取模和取余

  目前整除和取余取模运算机器运算符重载在不同的语言和库中对应关系比较复杂混乱（取余运算中余数和被除数同号，取模运算中模和除数同号。取余整除是对商向 0 取整，取模整除是对商向负取整）

库	取余整除	取余	取模整除	取模
tf	truncatediv	truncatemod	//或 floordiv	%或 floormod
torch	//或 floor_divide	fmod	无	%或 remainder
math	无	math.fmod	无	math.remainder
python	无	无	//	%
numpy	无	无	//或 floor_divide	%或 mod remainder
paddle	//或 elementwise_div(int)	%或 elemtwise_mod(int)	无	%或 elemtwise_mod(float)
paddle 2.0	truncate_divide(int)	%或 truncate_mod(int)	//或 floor_divide	%或 floor_mod(float)或 mod 或 remainder

	paddle2.0 之前	torch	numpy	tensorflow	math	python	paddle2.0 之后
取余整除	//或 elementwise_div(int)	//或 floor_divid	无	truncatediv	-	无	truncate_divide(int)
取余	%或 elemtwise_mod(int)	fmod	无	truncatemod	math.fmod	无	%或 truncate_mod(int)
取模整除	-	-	floor_divide	//或 floordiv-	-	//	//或 floor_divide
取模	%或 elemtwise_mod(float)	%或 remainder	%或 mod 或 remainder	%或 floormod	math.remainder	%	%或 floor_mod(float)或 mod 或 remainder

• 常用组网 API 命名规范

  # 卷积：
  paddle.nn.Conv2D #采用 2D 后缀，2D 表示维度时通常大写
  paddle.nn.Conv2DTranspose
  paddle.nn.functional.conv2d
  paddle.nn.functional.conv2d_transpose
  # 池化：
  paddle.nn.MaxPool2D
  paddle.nn.AvgPool2D
  paddle.nn.MaxUnpool2D
  paddle.nn.functional.max_pool2d
  paddle.nn.functional.avg_pool2d
  paddle.nn.functional.max_unpool2d
  # 归一化：
  paddle.nn.BatchNorm2D
  paddle.nn.functional.batch_norm
  

参数命名规范¶

• 参数名称全部使用小写

  paddle.nn.functional.mse_loss: def mse_loss(input, label, reduction='mean', name=None):
  

• 参数名可以区分单复数形态，单数表示输入参数是一个或多个变量，复数表示输入明确是含有多个变量的列表

  paddle.nn.Softmax(axis=-1) # axis 明确为一个 int 数
  paddle.squeeze(x, axis=None, dtype=None, keepdim=False, name=None): # axis 可以为一数也可以为多个
  paddle.strided_slice(x, axes, starts, ends, strides, name=None) #axis 明确是多个数，则参数用复数形式 axes
  

• 函数操作只有一个待操作的张量参数时，用 x 命名；如果有 2 个待操作的张量参数时，且含义明确时，用 x, y 命名

  paddle.sum(x, axis=None, dtype=None, keepdim=False, name=None)
  paddle.divide(x, y, name=None)
  

• 原则上所有的输入都用 x 表示，包括 functional 下的 linear, conv2d, lstm, batch_norm 等

• 原则上都要具备 name 参数，用于标记 layer，方便调试和可视化

• loss 类的函数，使用input 表示输入，使用label 表示真实预测值/类别，部分情况下，为了更好的便于用户理解，可以选用其他更恰当的参数名称。如softmax_with_logits时，输入参数名可用logits

  paddle.nn.functional.mse_loss(input, label, reduction='mean', name=None)
  paddle.nn.functional.cross_entropy(input,
                                     label,
                                     weight=None,
                                     ignore_index=-100,
                                     reduction='mean',
                                     soft_label=False,
                                     axis=-1,
                                     name=None):
  

• Tensor 名称和操作

中文	英文	缩写	说明
张量	tensor
形状	shape
维数（阶）	rank
第几维(轴)	axis/axes		从 0 开始编号
0 阶张量(标量)	scalar
1 阶张量(向量)	vector
2 阶张量(矩阵)	matrix/matrice
矩阵转置	transpose
点积	dot		一维向量，内积；二维矩阵，矩阵乘
内积	inner
矩阵乘	matmul
逐元素乘	mul/elementwise_mul
逐元素加	add/elementwise_add
按轴求和	reduce_sum

• 常用参数表

中文名	推荐	不推荐写法	示例	备注
算子名	name	input	relu(x, inplace=False, name=None)	调用 api 所创建的算子名称
单个输入张量	x	x	relu(x, inplace=False, name=None)	单个待操作的张量
两个输入张量	x, y	input, other/ X, Y	elementwise_add(x, y, axis=-1, activation=None, name=None)	两个待操作的张量
数据类型	dtype	type, data_type	unique(x, dtype='int32')
输出张量	out	output
轴	axis/axes	dim/dims	concat(x, axis=0, name=None)	虽然 pytorch 的 dim 单词比较简单，但 axis 跟 numpy, tf 和 paddle 历史一致。axis 通常从 0 开始编号，dim 一般从 1 开始编号，比如 3 维空间的第 1 维
参数属性	param_attr		fc(param_attr=None, ...)
偏置属性	bias_attr		fc(bias_attr=None, ... )
激活函数	activation	act	batch_norm(input, activation=None, ...)	act 简称不容易理解，跟 pytorch 保持一致
标签	label	target	def cross_entropy(input, label, soft_label=False, ignore_index=kIgnoreIndex)	label 容易理解，跟 paddle 历史保持一致
张量形状	shape	size
程序	program	prog
数据格式	data_format	data_layout	conv2d(x, weight, bias=None, padding=0, stride=1, dilation=1, groups=1, activation=None, data_format="NCHW", name=None)	跟 paddle 历史保持一致
文件名	filename	file_name		跟 paddle 历史和 c 语言 fopen 函数保持一致
目录名	path	dirname
设备	device	place/force_cpu	ones(shape, dtype=None, out=None, device=None)	device 比 place 更容易理解；跟 pytorch 一致
执行器	executor	exe
下标	index	idx
字母 epsilon	epsilon	eps
值	value	val/v
变量	variable	var/v
批大小	batch_size	batch_num，batch_number
隐层大小	hidden_size	hidden, hid_size, hid_dim, hidden_dim
卷积核大小	filter_size	filter
范围	start, stop	begin, end		跟 python 的 range 函数一致，numpy 的 arange
步数	step	num, count
条件	cond	condition
禁用梯度	stop_gradient	require_grad		跟 tf 和 paddle 历史一致
学习率	learning_rate	lr
保持维度	keep_dim	keepdim
禁用梯度	no_grad_vars	no_grad_set	gradients ( targets, inputs, target_gradients=None, no_grad_vars=None )	跟 dygraph.grad 保持一致
dropout 比例	dropout_rate	dropout_prob, dropout
传入	feed	feed_dict
取出	fetch	fetch_list, fetch_targets
转置	transpose	trans, trans_x
decay 步数	decay_steps	step_each_epoch
类别数	num_classes	class_nums
通道数	num_channels	channels
卷积核数	num_filters	filters
组数	num_groups	groups
操作输入	inplace=True	in_place
训练模式	training=True	is_train, is_test		跟 pytorch 保持一致， tf 用 trainable