fluid.dygraph¶
BackwardStrategy¶
-
class
paddle.fluid.dygraph.
BackwardStrategy
¶
BackwardStrategy是描述反向过程的描述符,现有如下功能:
sort_sum_gradient
按回溯逆序将梯度加和
代码示例
import numpy as np
import paddle.fluid as fluid
from paddle.fluid import FC
x = np.ones([2, 2], np.float32)
with fluid.dygraph.guard():
inputs2 = []
for _ in range(10):
inputs2.append(fluid.dygraph.base.to_variable(x))
ret2 = fluid.layers.sums(inputs2)
loss2 = fluid.layers.reduce_sum(ret2)
backward_strategy = fluid.dygraph.BackwardStrategy()
backward_strategy.sort_sum_gradient = True
loss2.backward(backward_strategy)
BatchNorm¶
-
class
paddle.fluid.dygraph.
BatchNorm
(name_scope, num_channels, act=None, is_test=False, momentum=0.9, epsilon=1e-05, param_attr=None, bias_attr=None, dtype='float32', data_layout='NCHW', in_place=False, moving_mean_name=None, moving_variance_name=None, do_model_average_for_mean_and_var=False, fuse_with_relu=False, use_global_stats=False, trainable_statistics=False)[源代码]¶
批正则化层(Batch Normalization Layer)
可用作conv2d和全连接操作的正则化函数。该层需要的数据格式如下:
1.NHWC[batch,in_height,in_width,in_channels] 2.NCHW[batch,in_channels,in_height,in_width]
更多详情请参考 : Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
input
是mini-batch的输入特征。
当use_global_stats = True时, \(\mu_{\beta}\) 和 \(\sigma_{\beta}^{2}\) 不是一个minibatch的统计数据。 它们是全局(或运行)统计数据。 (它通常来自预训练模型)。训练和测试(或预测)具有相同的行为:
- 参数:
- name_scope (str) - 该类的名称
- act (string,默认None)- 激活函数类型,linear|relu|prelu|...
- is_test (bool,默认False) - 指示它是否在测试阶段。
- momentum (float,默认0.9)- 此值用于计算 moving_mean and moving_var. 更新公式为: \(moving\_mean = moving\_mean * momentum + new\_mean * (1. - momentum\) \(moving\_var = moving\_var * momentum + new\_var * (1. - momentum\) , 默认值0.9.
- epsilon (float,默认1e-05)- 加在分母上为了数值稳定的值。默认值为1e-5。
- param_attr (ParamAttr|None) - batch_norm参数范围的属性,如果设为None或者是ParamAttr的一个属性,batch_norm创建ParamAttr为param_attr。如果没有设置param_attr的初始化函数,参数初始化为Xavier。默认:None
- bias_attr (ParamAttr|None) - batch_norm bias参数的属性,如果设为None或者是ParamAttr的一个属性,batch_norm创建ParamAttr为bias_attr。如果没有设置bias_attr的初始化函数,参数初始化为0。默认:None
- data_layout (string,默认NCHW) - NCHW|NHWC。默认NCHW
- in_place (bool,默认False)- 得出batch norm可复用记忆的输入和输出
- moving_mean_name (string,默认None)- moving_mean的名称,存储全局Mean均值。
- moving_variance_name (string,默认None)- moving_variance的名称,存储全局方差。
- do_model_average_for_mean_and_var (bool,默认False)- 是否为mean和variance做模型均值
- fuse_with_relu (bool)- 如果为True,batch norm后该操作符执行relu。默认为False。
- use_global_stats (bool, Default False) – 是否使用全局均值和方差。 在预测或测试模式下,将use_global_stats设置为true或将is_test设置为true,并且行为是等效的。 在训练模式中,当设置use_global_stats为True时,在训练期间也使用全局均值和方差。
- trainable_statistics (bool)- eval模式下是否计算mean均值和var方差。eval模式下,trainable_statistics为True时,由该批数据计算均值和方差。默认为False。
返回: 张量,在输入中运用批正则后的结果
返回类型:变量(Variable)
代码示例
import paddle.fluid as fluid
with fluid.dygraph.guard():
fc = fluid.FC('fc', size=200, param_attr='fc1.w')
hidden1 = fc(x)
batch_norm = fluid.BatchNorm("batch_norm", 10)
hidden2 = batch_norm(hidden1)
BilinearTensorProduct¶
-
class
paddle.fluid.dygraph.
BilinearTensorProduct
(name_scope, size, name=None, act=None, param_attr=None, bias_attr=None)[源代码]¶
该层可将一对张量进行双线性乘积计算,例如:
式中,
- \(x\) : 第一个输入,分别包含M个元素,形为[batch_size, M]
- \(y\) :第二个输入,分别包含N个元素,形为[batch_size, N]
- \(W_i\) :第i个学习到的权重,形为[M,N]
- \(out_i\) :输出的第i个元素
- \(y^T\) : \(y_2\) 的转置
- 参数:
- name_scope (str) – 类的名称。
- size (int) – 该层的维度大小。
- act (str) – 对输出应用的激励函数。默认:None。
- name (str) – 该层的名称。 默认: None。
- param_attr (ParamAttr) – 该层中可学习权重/参数w的参数属性。默认: None.
- bias_attr (ParamAttr) – 该层中偏置(bias)的参数属性。若为False, 则输出中不应用偏置。如果为None, 偏置默认为0。默认: None.
返回:形为 [batch_size, size]的二维张量
返回类型: Variable
代码示例
import paddle.fluid as fluid
import numpy
with fluid.dygraph.guard():
layer1 = numpy.random.random((5, 5)).astype('float32')
layer2 = numpy.random.random((5, 4)).astype('float32')
bilinearTensorProduct = fluid.dygraph.nn.BilinearTensorProduct(
'BilinearTensorProduct', size=1000)
ret = bilinearTensorProduct(fluid.dygraph.base.to_variable(layer1),
fluid.dygraph.base.to_variable(layer2))
Conv2D¶
-
class
paddle.fluid.dygraph.
Conv2D
(name_scope, num_filters, filter_size, stride=1, padding=0, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, dtype='float32')[源代码]¶
卷积二维层(convolution2D layer)根据输入、滤波器(filter)、步长(stride)、填充(padding)、dilations、一组参数计算输出。输入和输出是NCHW格式,N是批尺寸,C是通道数,H是特征高度,W是特征宽度。滤波器是MCHW格式,M是输出图像通道数,C是输入图像通道数,H是滤波器高度,W是滤波器宽度。如果组数大于1,C等于输入图像通道数除以组数的结果。详情请参考UFLDL's : 卷积 。如果提供了bias属性和激活函数类型,bias会添加到卷积(convolution)的结果中相应的激活函数会作用在最终结果上。
对每个输入X,有等式:
- 其中:
- \(X\) :输入值,NCHW格式的张量(Tensor)
- \(W\) :滤波器值,MCHW格式的张量(Tensor)
- \(*\) : 卷积操作
- \(b\) :Bias值,二维张量(Tensor),shape为
[M,1]
- \(\sigma\) :激活函数
- \(Out\) :输出值,
Out
和X
的shape可能不同
示例
输入:
输入shape:\(( N,C_{in},H_{in},W_{in} )\)
滤波器shape: \(( C_{out},C_{in},H_{f},W_{f} )\)
输出:
输出shape: \(( N,C_{out},H_{out},W_{out} )\)
其中
- 参数:
- name_scope (str) - 该类的名称
- num_fliters (int) - 滤波器数。和输出图像通道相同
- filter_size (int|tuple|None) - 滤波器大小。如果filter_size是一个元组,则必须包含两个整型数,(filter_size,filter_size_W)。否则,滤波器为square
- stride (int|tuple) - 步长(stride)大小。如果步长(stride)为元组,则必须包含两个整型数,(stride_H,stride_W)。否则,stride_H = stride_W = stride。默认:stride = 1
- padding (int|tuple) - 填充(padding)大小。如果填充(padding)为元组,则必须包含两个整型数,(padding_H,padding_W)。否则,padding_H = padding_W = padding。默认:padding = 0
- dilation (int|tuple) - 膨胀(dilation)大小。如果膨胀(dialation)为元组,则必须包含两个整型数,(dilation_H,dilation_W)。否则,dilation_H = dilation_W = dilation。默认:dilation = 1
- groups (int) - 卷积二维层(Conv2D Layer)的组数。根据Alex Krizhevsky的深度卷积神经网络(CNN)论文中的成组卷积:当group=2,滤波器的前一半仅和输入通道的前一半连接。滤波器的后一半仅和输入通道的后一半连接。默认:groups = 1
- param_attr (ParamAttr|None) - conv2d的可学习参数/权重的参数属性。如果设为None或者ParamAttr的一个属性,conv2d创建ParamAttr为param_attr。如果param_attr的初始化函数未设置,参数则初始化为 \(Normal(0.0,std)\) ,并且std为 \(\frac{2.0}{filter\_elem\_num}^{0.5}\) 。默认为None
- bias_attr (ParamAttr|bool|None) - conv2d bias的参数属性。如果设为False,则没有bias加到输出。如果设为None或者ParamAttr的一个属性,conv2d创建ParamAttr为bias_attr。如果bias_attr的初始化函数未设置,bias初始化为0.默认为None
- use_cudnn (bool) - 是否用cudnn核,仅当下载cudnn库才有效。默认:True
- act (str) - 激活函数类型,如果设为None,则未添加激活函数。默认:None
- 抛出异常:
ValueError
- 如果输入shape和filter_size,stride,padding和groups不匹配。
代码示例
from paddle.fluid.dygraph.base import to_variable
import paddle.fluid as fluid
from paddle.fluid.dygraph import Conv2D
import numpy as np
data = np.random.uniform( -1, 1, [10, 3, 32, 32] ).astype('float32')
with fluid.dygraph.guard():
conv2d = Conv2D( "conv2d", 2, 3)
data = to_variable( data )
conv = conv2d( data )
Conv2DTranspose¶
-
class
paddle.fluid.dygraph.
Conv2DTranspose
(name_scope, num_filters, output_size=None, filter_size=None, padding=0, stride=1, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None)[源代码]¶
2-D卷积转置层(Convlution2D transpose layer)
该层根据 输入(input)、滤波器(filter)和卷积核膨胀(dilations)、步长(stride)、填充(padding)来计算输出。输入(Input)和输出(Output)为NCHW格式,其中 N
为batch大小, C
为通道数(channel),H
为特征高度, W
为特征宽度。参数(膨胀、步长、填充)分别都包含两个元素。这两个元素分别表示高度和宽度。欲了解卷积转置层细节,请参考下面的说明和 参考文献 。如果参数 bias_attr
和 act
不为 None
,则在卷积的输出中加入偏置,并对最终结果应用相应的激活函数。
输入 \(X\) 和输出 \(Out\) 函数关系如下:
- 其中:
- \(X\) : 输入张量,具有
NCHW
格式 - \(W\) : 滤波器张量,具有
NCHW
格式 - \(*\) : 卷积操作
- \(b\) : 偏置(bias),二维张量,shape为
[M,1]
- \(σ\) : 激活函数
- \(Out\) : 输出值,Out和
X
的shape
可能不一样
- \(X\) : 输入张量,具有
样例:
输入:
输出:
其中
- 参数:
- name_scope (str) - 该类的名称
- num_filters (int) - 滤波器(卷积核)的个数,与输出的图片的通道数( channel )相同
- output_size (int|tuple|None) - 输出图片的大小。如果output_size是一个元组(tuple),则该元形式为(image_H,image_W),这两个值必须为整型。如果output_size=None,则内部会使用filter_size、padding和stride来计算output_size。如果output_size和filter_size是同时指定的,那么它们应满足上面的公式。默认为None。
- filter_size (int|tuple|None) - 滤波器大小。如果filter_size是一个tuple,则形式为(filter_size_H, filter_size_W)。否则,滤波器将是一个方阵。如果filter_size=None,则内部会计算输出大小。默认为None。
- padding (int|tuple) - 填充大小。如果padding是一个元组,它必须包含两个整数(padding_H、padding_W)。否则,padding_H = padding_W = padding。默认:padding = 0。
- stride (int|tuple) - 步长大小。如果stride是一个元组,那么元组的形式为(stride_H、stride_W)。否则,stride_H = stride_W = stride。默认:stride = 1。
- dilation (int|元组) - 膨胀(dilation)大小。如果dilation是一个元组,那么元组的形式为(dilation_H, dilation_W)。否则,dilation_H = dilation_W = dilation_W。默认:dilation= 1。
- groups (int) - Conv2d转置层的groups个数。从Alex Krizhevsky的CNN Deep论文中的群卷积中受到启发,当group=2时,前半部分滤波器只连接到输入通道的前半部分,而后半部分滤波器只连接到输入通道的后半部分。默认值:group = 1。
- param_attr (ParamAttr|None) - conv2d_transfer中可学习参数/权重的属性。如果param_attr值为None或ParamAttr的一个属性,conv2d_transfer使用ParamAttrs作为param_attr的值。如果没有设置的param_attr初始化器,那么使用Xavier初始化。默认值:None。
- bias_attr (ParamAttr|bool|None) - conv2d_tran_bias中的bias属性。如果设置为False,则不会向输出单元添加偏置。如果param_attr值为None或ParamAttr的一个属性,将conv2d_transfer使用ParamAttrs作为,bias_attr。如果没有设置bias_attr的初始化器,bias将初始化为零。默认值:None。
- use_cudnn (bool) - 是否使用cudnn内核,只有已安装cudnn库时才有效。默认值:True。
- act (str) - 激活函数类型,如果设置为None,则不使用激活函数。默认值:None。
返回: 存储卷积转置结果的张量。
返回类型: 变量(variable)
- 抛出异常:
ValueError
: 如果输入的shape、filter_size、stride、padding和groups不匹配,抛出ValueError
代码示例
import paddle.fluid as fluid
import numpy
with fluid.dygraph.guard():
data = numpy.random.random((3, 32, 32)).astype('float32')
conv2DTranspose = fluid.dygraph.nn.Conv2DTranspose(
'Conv2DTranspose', num_filters=2, filter_size=3)
ret = conv2DTranspose(fluid.dygraph.base.to_variable(data))
Conv3D¶
-
class
paddle.fluid.dygraph.
Conv3D
(name_scope, num_filters, filter_size, stride=1, padding=0, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None)[源代码]¶
3D卷积层(convolution3D layer)根据输入、滤波器(filter)、步长(stride)、填充(padding)、膨胀(dilations)、组数参数计算得到输出。输入和输出是NCHW格式,N是批尺寸,C是通道数,H是特征高度,W是特征宽度。卷积三维(Convlution3D)和卷积二维(Convlution2D)相似,但多了一维深度(depth)。如果提供了bias属性和激活函数类型,bias会添加到卷积(convolution)的结果中相应的激活函数会作用在最终结果上。
对每个输入X,有等式:
- 其中:
- \(X\) :输入值,NCDHW格式的张量(Tensor)
- \(W\) :滤波器值,MCDHW格式的张量(Tensor)
- \(*\) : 卷积操作
- \(b\) :Bias值,二维张量(Tensor),形为
[M,1]
- \(\sigma\) :激活函数
- \(Out\) :输出值, 和
X
的形状可能不同
示例
- 输入:
输入shape: \((N, C_{in}, D_{in}, H_{in}, W_{in})\)
滤波器shape: \((C_{out}, C_{in}, D_f, H_f, W_f)\)
- 输出:
输出shape: \((N, C_{out}, D_{out}, H_{out}, W_{out})\)
其中
- 参数:
- name_scope (str) - 该类的名称
- num_fliters (int) - 滤波器数。和输出图像通道相同
- filter_size (int|tuple|None) - 滤波器大小。如果filter_size是一个元组,则必须包含三个整型数,(filter_size_D, filter_size_H, filter_size_W)。否则,滤波器为棱长为int的立方体形。
- stride (int|tuple) - 步长(stride)大小。如果步长(stride)为元组,则必须包含三个整型数, (stride_D, stride_H, stride_W)。否则,stride_D = stride_H = stride_W = stride。默认:stride = 1
- padding (int|tuple) - 填充(padding)大小。如果填充(padding)为元组,则必须包含三个整型数,(padding_D, padding_H, padding_W)。否则, padding_D = padding_H = padding_W = padding。默认:padding = 0
- dilation (int|tuple) - 膨胀(dilation)大小。如果膨胀(dialation)为元组,则必须包含两个整型数, (dilation_D, dilation_H, dilation_W)。否则,dilation_D = dilation_H = dilation_W = dilation。默认:dilation = 1
- groups (int) - 卷积二维层(Conv2D Layer)的组数。根据Alex Krizhevsky的深度卷积神经网络(CNN)论文中的成组卷积:当group=2,滤波器的前一半仅和输入通道的前一半连接。滤波器的后一半仅和输入通道的后一半连接。默认:groups = 1
- param_attr (ParamAttr|None) - conv2d的可学习参数/权重的参数属性。如果设为None或者ParamAttr的一个属性,conv2d创建ParamAttr为param_attr。如果param_attr的初始化函数未设置,参数则初始化为 \(Normal(0.0,std)\),并且std为 \(\left ( \frac{2.0}{filter\_elem\_num} \right )^{0.5}\) 。默认为None
- bias_attr (ParamAttr|bool|None) - conv2d bias的参数属性。如果设为False,则没有bias加到输出。如果设为None或者ParamAttr的一个属性,conv2d创建ParamAttr为bias_attr。如果bias_attr的初始化函数未设置,bias初始化为0.默认为None
- use_cudnn (bool) - 是否用cudnn核,仅当下载cudnn库才有效。默认:True
- act (str) - 激活函数类型,如果设为None,则未添加激活函数。默认:None
返回:张量,存储卷积和非线性激活结果
返回类型:变量(Variable)
- 抛出异常:
ValueError
- 如果input
的形和filter_size
,stride
,padding
和groups
不匹配。
代码示例:
import paddle.fluid as fluid
import numpy
with fluid.dygraph.guard():
data = numpy.random.random((5, 3, 12, 32, 32)).astype('float32')
conv3d = fluid.dygraph.nn.Conv3D(
'Conv3D', num_filters=2, filter_size=3, act="relu")
ret = conv3d(fluid.dygraph.base.to_variable(data))
Conv3DTranspose¶
-
class
paddle.fluid.dygraph.
Conv3DTranspose
(name_scope, num_filters, output_size=None, filter_size=None, padding=0, stride=1, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, name=None)[源代码]¶
3-D卷积转置层(Convlution3D transpose layer)
该层根据 输入(input)、滤波器(filter)和卷积核膨胀(dilations)、步长(stride)、填充来计算输出。输入(Input)和输出(Output)为NCDHW格式。其中 N
为batch大小, C
为通道数(channel), D
为特征深度, H
为特征高度, W
为特征宽度。参数(膨胀、步长、填充)分别包含两个元素。这两个元素分别表示高度和宽度。欲了解卷积转置层细节,请参考下面的说明和 参考文献 。如果参数 bias_attr
和 act
不为None,则在卷积的输出中加入偏置,并对最终结果应用相应的激活函数
输入X和输出Out函数关系X,有等式如下:
- 其中:
- \(X\) : 输入张量,具有
NCDHW
格式 - \(W\) : 滤波器张量,,具有
NCDHW
格式 - \(*\) : 卷积操作
- \(b\) : 偏置(bias),二维张量,shape为
[M,1]
- \(σ\) : 激活函数
- \(Out\) : 输出值,
Out
和X
的 shape可能不一样
- \(X\) : 输入张量,具有
样例
输入:
输入形状: \((N,C_{in},D_{in},H_{in},W_{in})\)
Filter形状: \((C_{in},C_{out},D_f,H_f,W_f)\)
输出:
输出形状: \((N,C_{out},D_{out},H_{out},W_{out})\)
其中:
- 参数:
- name_scope (str)- 该类的名称
- num_filters (int) - 滤波器(卷积核)的个数,与输出的图片的通道数(channel)相同
- output_size (int|tuple|None) - 输出图片的大小。如果
output_size
是一个元组(tuple),则该元形式为(image_H,image_W),这两个值必须为整型。如果output_size=None
,则内部会使用filter_size、padding和stride来计算output_size。如果output_size
和filter_size
是同时指定的,那么它们应满足上面的公式。 - filter_size (int|tuple|None) - 滤波器大小。如果
filter_size
是一个tuple,则形式为(filter_size_H, filter_size_W)。否则,滤波器将是一个方阵。如果filter_size=None
,则内部会计算输出大小。 - padding (int|tuple) - 填充大小。如果
padding
是一个元组,它必须包含两个整数(padding_H、padding_W)。否则,padding_H = padding_W = padding。默认:padding = 0。 - stride (int|tuple) - 步长大小。如果
stride
是一个元组,那么元组的形式为(stride_H、stride_W)。否则,stride_H = stride_W = stride。默认:stride = 1。 - dilation (int|元组) - 膨胀大小。如果
dilation
是一个元组,那么元组的形式为(dilation_H, dilation_W)。否则,dilation_H = dilation_W = dilation_W。默认:dilation= 1。 - groups (int) - Conv2d转置层的groups个数。从Alex Krizhevsky的CNN Deep论文中的群卷积中受到启发,当group=2时,前半部分滤波器只连接到输入通道的前半部分,而后半部分滤波器只连接到输入通道的后半部分。默认值:group = 1。
- param_attr (ParamAttr|None) - conv2d_transfer中可学习参数/权重的属性。如果param_attr值为None或ParamAttr的一个属性,conv2d_transfer使用ParamAttrs作为param_attr的值。如果没有设置的param_attr初始化器,那么使用Xavier初始化。默认值:None。
- bias_attr (ParamAttr|bool|None) - conv2d_tran_bias中的bias属性。如果设置为False,则不会向输出单元添加偏置。如果param_attr值为None或ParamAttr的一个属性,将conv2d_transfer使用ParamAttrs作为,bias_attr。如果没有设置bias_attr的初始化器,bias将初始化为零。默认值:None。
- use_cudnn (bool) - 是否使用cudnn内核,只有已安装cudnn库时才有效。默认值:True。
- act (str) - 激活函数类型,如果设置为None,则不使用激活函数。默认值:None。
- name (str|None) - 该layer的名称(可选)。如果设置为None, 将自动命名该layer。默认值:True。
返回: 存储卷积转置结果的张量。
返回类型: 变量(variable)
- 抛出异常:
ValueError
- 如果输入的shape、filter_size、stride、padding和groups不匹配,抛出ValueError
代码示例
import paddle.fluid as fluid
import numpy
with fluid.dygraph.guard():
data = numpy.random.random((5, 3, 12, 32, 32)).astype('float32')
conv3dTranspose = fluid.dygraph.nn.Conv3DTranspose(
'Conv3DTranspose',
num_filters=12,
filter_size=12,
use_cudnn=False)
ret = conv3dTranspose(fluid.dygraph.base.to_variable(data))
CosineDecay¶
-
class
paddle.fluid.dygraph.
CosineDecay
(learning_rate, step_each_epoch, epochs, begin=0, step=1, dtype='float32')[源代码]¶
使用 cosine decay 的衰减方式进行学习率调整。
在训练模型时,建议一边进行训练一边降低学习率。 通过使用此方法,学习率将通过如下cosine衰减策略进行衰减:
- 参数:
- learning_rate (Variable | float) - 初始学习率。
- step_each_epoch (int) - 一次迭代中的步数。
- begin (int) - 起始步,默认为0。
- step (int) - 步大小,默认为1。
- dtype (str) - 学习率的dtype,默认为‘float32’
代码示例
base_lr = 0.1
with fluid.dygraph.guard():
optimizer = fluid.optimizer.SGD(
learning_rate = fluid.dygraph.CosineDecay(
base_lr, 10000, 120) )
Embedding¶
-
class
paddle.fluid.dygraph.
Embedding
(name_scope, size, is_sparse=False, is_distributed=False, padding_idx=None, param_attr=None, dtype='float32')[源代码]¶
Embedding层
该层用于在查找表中查找 input
中的ID对应的embeddings。查找的结果是input里每个ID对应的embedding。
所有的输入变量都作为局部变量传入LayerHelper构造器
- 参数:
- name_scope (str)-该类的名称。
- size (tuple|list)-查找表参数的维度。应当有两个参数,一个代表嵌入矩阵字典的大小,一个代表每个嵌入向量的大小。
- is_sparse (bool)-代表是否用稀疏更新的标志。
- is_distributed (bool)-是否从远程参数服务端运行查找表。
- padding_idx (int|long|None)-如果为
None
,对查找结果无影响。如果padding_idx
不为空,表示一旦查找表中找到input中对应的padding_idx
,则用0填充输出结果。如果padding_idx
<0 ,则在查找表中使用的padding_idx
值为 \(size[0]+dim\) 。默认:None。 - param_attr (ParamAttr)-该层参数。默认为None。
- dtype (np.dtype|core.VarDesc.VarType|str)-数据类型:float32,float_16,int等。默认:‘float32’
返回:张量,存储已有输入的嵌入矩阵。
返回类型:变量(Variable)
代码示例
import paddle.fluid as fluid
import paddle.fluid.dygraph.base as base
import numpy as np
inp_word = np.array([[[1]]]).astype('int64')
dict_size = 20
with fluid.dygraph.guard():
emb = fluid.dygraph.Embedding(
name_scope='embedding',
size=[dict_size, 32],
param_attr='emb.w',
is_sparse=False)
static_rlt3 = emb(base.to_variable(inp_word))
ExponentialDecay¶
-
class
paddle.fluid.dygraph.
ExponentialDecay
(learning_rate, decay_steps, decay_rate, staircase=False, begin=0, step=1, dtype='float32')[源代码]¶
对学习率应用指数衰减。
在学习率上运用指数衰减。
训练模型时,推荐在训练过程中降低学习率。每次 decay_steps
步骤中用 decay_rate
衰减学习率。
if staircase == True:
decayed_learning_rate = learning_rate * decay_rate ^ floor(global_step / decay_steps)
else:
decayed_learning_rate = learning_rate * decay_rate ^ (global_step / decay_steps)
- 参数:
- learning_rate (Variable|float)-初始学习率
- decay_steps (int)-见以上衰减运算
- decay_rate (float)-衰减率。见以上衰减运算
- staircase (Boolean)-若为True,按离散区间衰减学习率。默认:False
- begin (int) - 起始步,默认为0。
- step (int) - 步大小,默认为1。
- dtype (str) - 学习率的dtype,默认为‘float32’
代码示例
import paddle.fluid as fluid
base_lr = 0.1
with fluid.dygraph.guard():
sgd_optimizer = fluid.optimizer.SGD(
learning_rate=fluid.dygraph.ExponentialDecay(
learning_rate=base_lr,
decay_steps=10000,
decay_rate=0.5,
staircase=True))
FC¶
-
class
paddle.fluid.dygraph.
FC
(name_scope, size, num_flatten_dims=1, param_attr=None, bias_attr=None, act=None, is_test=False, dtype='float32')[源代码]¶
全连接层
该函数在神经网络中建立一个全连接层。 它可以将一个或多个tensor( input
可以是一个list或者Variable,详见参数说明)作为自己的输入,并为每个输入的tensor创立一个变量,称为“权”(weights),等价于一个从每个输入单元到每个输出单元的全连接权矩阵。FC层用每个tensor和它对应的权相乘得到形状为[M, size]输出tensor,M是批大小。如果有多个输入tensor,那么形状为[M, size]的多个输出张量的结果将会被加起来。如果 bias_attr
非空,则会新创建一个偏向变量(bias variable),并把它加入到输出结果的运算中。最后,如果 act
非空,它也会加入最终输出的计算中。
当输入为单个张量:
当输入为多个张量:
- 上述等式中:
- \(N\) :输入的数目,如果输入是变量列表,N等于len(input)
- \(X_i\) :第i个输入的tensor
- \(W_i\) :对应第i个输入张量的第i个权重矩阵
- \(b\) :该层创立的bias参数
- \(Act\) :activation function(激励函数)
- \(Out\) :输出tensor
Given:
data_1.data = [[[0.1, 0.2],
[0.3, 0.4]]]
data_1.shape = (1, 2, 2) # 1 is batch_size
data_2 = [[[0.1, 0.2, 0.3]]]
data_2.shape = (1, 1, 3)
out = fluid.layers.fc(input=[data_1, data_2], size=2)
Then:
out.data = [[0.18669507, 0.1893476]]
out.shape = (1, 2)
- 参数:
- name_scope (str) – 该类的名称
- size (int) – 该层输出单元的数目
- num_flatten_dims (int, 默认为1) – fc层可以接受一个维度大于2的tensor。此时, 它首先会被扁平化(flattened)为一个二维矩阵。 参数
num_flatten_dims
决定了输入tensor的flattened方式: 前num_flatten_dims
(包含边界,从1开始数) 个维度会被扁平化为最终矩阵的第一维 (维度即为矩阵的高), 剩下的 rank(X) - num_flatten_dims 维被扁平化为最终矩阵的第二维 (即矩阵的宽)。 例如, 假设X是一个五维tensor,其形可描述为(2, 3, 4, 5, 6), 且num_flatten_dims = 3。那么扁平化的矩阵形状将会如此: (2 x 3 x 4, 5 x 6) = (24, 30) - param_attr (ParamAttr|list of ParamAttr|None) – 该层可学习的参数/权的参数属性
- bias_attr (ParamAttr|list of ParamAttr, default None) – 该层bias变量的参数属性。如果值为False, 则bias变量不参与输出单元运算。 如果值为None,bias变量被初始化为0。默认为 None。
- act (str|None) – 应用于输出的Activation(激励函数)
- is_test (bool) – 表明当前执行是否处于测试阶段的标志
- dtype (str) – 权重的数据类型
弹出异常:ValueError
- 如果输入tensor的维度小于2
代码示例
from paddle.fluid.dygraph.base import to_variable
import paddle.fluid as fluid
from paddle.fluid.dygraph import FC
import numpy as np
data = np.random.uniform( -1, 1, [30, 10, 32] ).astype('float32')
with fluid.dygraph.guard():
fc = FC( "fc", 64, num_flatten_dims=2)
data = to_variable( data )
conv = fc( data )
GroupNorm¶
-
class
paddle.fluid.dygraph.
GroupNorm
(name_scope, groups, epsilon=1e-05, param_attr=None, bias_attr=None, act=None, data_layout='NCHW')[源代码]¶
Group Normalization层
请参考 Group Normalization 。
- 参数:
- name_scope (str) - 该类名称
- groups (int) - 从 channel 中分离出来的 group 的数目
- epsilon (float) - 为防止方差除零,增加一个很小的值
- param_attr (ParamAttr|None) - 可学习标度的参数属性 \(g\),如果设置为False,则不会向输出单元添加标度。如果设置为0,偏差初始化为1。默认值:None
- bias_attr (ParamAttr|None) - 可学习偏置的参数属性 :math:`b ` , 如果设置为False,则不会向输出单元添加偏置量。如果设置为零,偏置初始化为零。默认值:None。
- act (str) - 将激活应用于输出的 group normalizaiton
- data_layout (string|NCHW) - 只支持NCHW。
返回: 一个张量变量,它是对输入进行 group normalization 后的结果。
返回类型:Variable
代码示例
import paddle.fluid as fluid
import numpy
with fluid.dygraph.guard():
x = numpy.random.random((8, 32, 32)).astype('float32')
groupNorm = fluid.dygraph.nn.GroupNorm('GroupNorm', groups=4)
ret = groupNorm(fluid.dygraph.base.to_variable(x))
GRUUnit¶
-
class
paddle.fluid.dygraph.
GRUUnit
(name_scope, size, param_attr=None, bias_attr=None, activation='tanh', gate_activation='sigmoid', origin_mode=False, dtype='float32')[源代码]¶
GRU单元层。GRU执行步骤基于如下等式:
如果origin_mode为True,则该运算公式来自论文 Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling 。
公式如下:
如果origin_mode为False,则该运算公式来自论文 Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation 。
GRU单元的输入包括 \(z_t\) , \(h_{t-1}\) 。在上述等式中, \(z_t\) 会被分割成三部分: \(xu_t\) 、 \(xr_t\) 和 \(xm_t\) 。 这意味着要为一批输入实现一个全GRU层,我们需要采用一个全连接层,才能得到 \(z_t=W_{fc}x_t\) 。 \(u_t\) 和 \(r_t\) 分别代表了GRU神经元的update gates(更新门)和reset gates(重置门)。 和LSTM不同,GRU少了一个门(它没有LSTM的forget gate)。但是它有一个叫做中间候选隐藏状态(intermediate candidate hidden output)的输出, 记为 \(m_t\) 。 该层有三个输出: \(h_t, dot(r_t,h_{t-1})\) 以及 \(u_t,r_t,m_t\) 的连结(concatenation)。
- 参数:
- name_scope (str) – 该类的名称
- size (int) – 输入数据的维度
- param_attr (ParamAttr|None) – 可学习的隐藏层权重矩阵的参数属性。
- 注意:
- 该权重矩阵形为 \((T×3D)\) , \(D\) 是隐藏状态的规模(hidden size)
- 该权重矩阵的所有元素由两部分组成, 一是update gate和reset gate的权重,形为 \((D×2D)\) ;二是候选隐藏状态(candidate hidden state)的权重矩阵,形为 \((D×D)\)
如果该函数参数值为None或者
ParamAttr
类中的属性之一,gru_unit则会创建一个ParamAttr
类的对象作为param_attr。如果param_attr没有被初始化,那么会由Xavier来初始化它。默认值为None
- bias_attr (ParamAttr|bool|None) - GRU的bias变量的参数属性。形为 \((1x3D)\) 的bias连结(concatenate)在update gates(更新门),reset gates(重置门)以及candidate calculations(候选隐藏状态计算)中的bias。如果值为False,那么上述三者将没有bias参与运算。若值为None或者
ParamAttr
类中的属性之一,gru_unit则会创建一个ParamAttr
类的对象作为 bias_attr。如果bias_attr没有被初始化,那它会被默认初始化为0。默认值为None。 - activation (str) – 神经元 “actNode” 的激励函数(activation)类型。默认类型为‘tanh’
- gate_activation (str) – 门 “actGate” 的激励函数(activation)类型。 默认类型为 ‘sigmoid’。
- dtype (str) – 该层的数据类型,默认为‘float32’。
返回: hidden value(隐藏状态的值),reset-hidden value(重置隐藏状态值),gate values(门值)
返回类型: 元组(tuple)
代码示例
import paddle.fluid as fluid
import paddle.fluid.dygraph.base as base
import numpy
lod = [[2, 4, 3]]
D = 5
T = sum(lod[0])
hidden_input = numpy.random.rand(T, D).astype('float32')
with fluid.dygraph.guard():
x = numpy.random.random((3, 32, 32)).astype('float32')
gru = fluid.dygraph.GRUUnit('gru', size=D * 3)
dy_ret = gru(
base.to_variable(input), base.to_variable(hidden_input))
guard¶
创建一个dygraph上下文,用于运行dygraph。
- 参数:
- place (fluid.CPUPlace|fluid.CUDAPlace|None) – 执行场所
返回: None
代码示例
import numpy as np
import paddle.fluid as fluid
with fluid.dygraph.guard():
inp = np.ones([3, 32, 32], dtype='float32')
t = fluid.dygraph.base.to_variable(inp)
fc1 = fluid.FC('fc1', size=4, bias_attr=False, num_flatten_dims=1)
fc2 = fluid.FC('fc2', size=4)
ret = fc1(t)
dy_ret = fc2(ret)
InverseTimeDecay¶
-
class
paddle.fluid.dygraph.
InverseTimeDecay
(learning_rate, decay_steps, decay_rate, staircase=False, begin=0, step=1, dtype='float32')[源代码]¶
在初始学习率上运用逆时衰减。
训练模型时,最好在训练过程中降低学习率。通过执行该函数,将对初始学习率运用逆向衰减函数。
if staircase == True:
decayed_learning_rate = learning_rate / (1 + decay_rate * floor(global_step / decay_step))
else:
decayed_learning_rate = learning_rate / (1 + decay_rate * global_step / decay_step)
- 参数:
- learning_rate (Variable|float)-初始学习率
- decay_steps (int)-见以上衰减运算
- decay_rate (float)-衰减率。见以上衰减运算
- staircase (Boolean)-若为True,按间隔区间衰减学习率。默认:False
- begin (int) - 起始步,默认为0。
- step (int) - 步大小,默认为1。
- dtype (str) - 学习率的dtype,默认为‘float32’
代码示例
import paddle.fluid as fluid
base_lr = 0.1
with fluid.dygraph.guard():
sgd_optimizer = fluid.optimizer.SGD(
learning_rate=fluid.dygraph.InverseTimeDecay(
learning_rate=base_lr,
decay_steps=10000,
decay_rate=0.5,
staircase=True))
Layer¶
由多个算子组成的层。
- 参数:
- name_scope - 层为其参数命名而采用的名称前缀。如果前缀为“my_model/layer_1”,在一个名为MyLayer的层中,参数名为“my_model/layer_1/MyLayer/w_n”,其中w是参数的基础名称,n为自动生成的具有唯一性的后缀。
- dtype - 层中变量的数据类型
-
full_name
()¶
层的全名。
组成方式如下:
name_scope + “/” + MyLayer.__class__.__name__
返回: 层的全名
-
create_parameter
(attr, shape, dtype, is_bias=False, default_initializer=None)¶
为层(layers)创建参数。
- 参数:
- attr (ParamAttr)- 参数的参数属性
- shape - 参数的形状
- dtype - 参数的数据类型
- is_bias - 是否为偏置bias参数
- default_initializer - 设置参数的默认初始化方法
返回: 创建的参数变量
-
create_variable
(name=None, persistable=None, dtype=None, type=VarType.LOD_TENSOR)¶
为层创建变量
- 参数:
- name - 变量名
- persistable - 是否为持久性变量
- dtype - 变量中的数据类型
- type - 变量类型
返回: 创建的变量(Variable)
-
parameters
(include_sublayers=True)¶
返回一个由当前层及其子层的参数组成的列表。
- 参数:
- include_sublayers - 如果为True,返回的列表中包含子层的参数
返回: 一个由当前层及其子层的参数组成的列表
-
sublayers
(include_sublayers=True)¶
返回一个由所有子层组成的列表。
- 参数:
- include_sublayers - 如果为True,则包括子层中的各层
返回: 一个由所有子层组成的列表
-
add_sublayer
(name, sublayer)¶
添加子层实例。被添加的子层实例的访问方式和self.name类似。
- 参数:
- name - 该子层的命名
- sublayer - Layer实例
返回: 传入的子层
-
add_parameter
(name, parameter)¶
添加参数实例。被添加的参数实例的访问方式和self.name类似。
- 参数:
- name - 该子层的命名
- parameter - Parameter实例
返回: 传入的参数实例
LayerNorm¶
-
class
paddle.fluid.dygraph.
LayerNorm
(name_scope, scale=True, shift=True, begin_norm_axis=1, epsilon=1e-05, param_attr=None, bias_attr=None, act=None)[源代码]¶
假设特征向量存在于维度 begin_norm_axis ... rank (input)
上,计算大小为 H
的特征向量a在该维度上的矩统计量,然后使用相应的统计量对每个特征向量进行归一化。 之后,如果设置了 scale
和 shift
,则在标准化的张量上应用可学习的增益和偏差以进行缩放和移位。
公式如下
- \(\alpha\) : 该层神经元输入总和的向量表示
- \(H\) : 层中隐藏的神经元个数
- \(g\) : 可训练的缩放因子参数
- \(b\) : 可训练的bias参数
- 参数:
- name_scope (str) – 该类的名称
- scale (bool) - 是否在归一化后学习自适应增益g。默认为True。
- shift (bool) - 是否在归一化后学习自适应偏差b。默认为True。
- begin_norm_axis (int) -
begin_norm_axis
到rank(input)
的维度执行规范化。默认1。 - epsilon (float) - 添加到方差的很小的值,以防止除零。默认1e-05。
- param_attr (ParamAttr | None) - 可学习增益g的参数属性。如果
scale
为False,则省略param_attr
。如果scale
为True且param_attr
为None,则默认ParamAttr
将作为比例。如果添加了param_attr
, 则将其初始化为1。默认None。 - bias_attr (ParamAttr | None) - 可学习偏差的参数属性b。如果
shift
为False,则省略bias_attr
。如果shift
为True且param_attr
为None,则默认ParamAttr
将作为偏差。如果添加了bias_attr
,则将其初始化为0。默认None。 - act (str) - 激活函数。默认 None
返回: 标准化后的结果
代码示例
import paddle.fluid as fluid
import numpy
with fluid.dygraph.guard():
x = numpy.random.random((3, 32, 32)).astype('float32')
layerNorm = fluid.dygraph.nn.LayerNorm(
'LayerNorm', begin_norm_axis=1)
ret = layerNorm(fluid.dygraph.base.to_variable(x))
load_persistables¶
该函数尝试从dirname中加载持久性变量。
- 参数:
- dirname (str) – 目录路径。默认为save_dir
返回: 两个字典:从文件中恢复的参数字典;从文件中恢复的优化器字典
返回类型: dict
代码示例
my_layer = layer(fluid.Layer)
param_path = "./my_paddle_model"
sgd = SGDOptimizer(learning_rate=1e-3)
param_dict, optimizer_dict = fluid.dygraph.load_persistables(my_layer.parameters(), param_path)
param_1 = param_dict['PtbModel_0.w_1']
sgd.load(optimizer_dict)
NaturalExpDecay¶
-
class
paddle.fluid.dygraph.
NaturalExpDecay
(learning_rate, decay_steps, decay_rate, staircase=False, begin=0, step=1, dtype='float32')[源代码]¶
为初始学习率应用指数衰减策略。
if not staircase:
decayed_learning_rate = learning_rate * exp(- decay_rate * (global_step / decay_steps))
else:
decayed_learning_rate = learning_rate * exp(- decay_rate * (global_step / decay_steps))
- 参数:
- learning_rate (Variable|float)- 类型为float32的标量值或为一个Variable。它是训练的初始学习率。
- decay_steps (int)-一个Python int32 数。
- decay_rate (float)- 一个Python float数。
- staircase (Boolean)-布尔型。若为True,每隔decay_steps衰减学习率。
- begin – Python ‘int32’ 数,起始步(默认为0)。
- step – Python ‘int32’ 数, 步大小(默认为1)。
- dtype – Python ‘str’ 类型, 初始化学习率变量的dtype(默认为‘float32’)。
代码示例
import paddle.fluid as fluid
base_lr = 0.1
with fluid.dygraph.guard():
sgd_optimizer = fluid.optimizer.SGD(
learning_rate=fluid.dygraph.NaturalExpDecay(
learning_rate=base_lr,
decay_steps=10000,
decay_rate=0.5,
staircase=True))
NCE¶
-
class
paddle.fluid.dygraph.
NCE
(name_scope, num_total_classes, param_attr=None, bias_attr=None, num_neg_samples=None, sampler='uniform', custom_dist=None, seed=0, is_sparse=False)[源代码]¶
计算并返回噪音对比估计( noise-contrastive estimation training loss)。 请参考Noise-contrastive estimation: A new estimation principle for unnormalized statistical models
该operator默认使用均匀分布进行抽样。
- 参数:
- name_scope (str) – 该类的名称
- num_total_classes (int) - 所有样本中的类别的总数
- sample_weight (Variable|None) - 存储每个样本权重,shape为[batch_size, 1]存储每个样本的权重。每个样本的默认权重为1.0
- param_attr (ParamAttr|None) - \(可学习参数/nce权重\) 的参数属性。如果它没有被设置为ParamAttr的一个属性,nce将创建ParamAttr为param_attr。如没有设置param_attr的初始化器,那么参数将用Xavier初始化。默认值:None
- bias_attr (ParamAttr|bool|None) - nce偏置的参数属性。如果设置为False,则不会向输出添加偏置(bias)。如果值为None或ParamAttr的一个属性,则bias_attr=ParamAtt。如果没有设置bias_attr的初始化器,偏置将被初始化为零。默认值:None
- num_neg_samples (int) - 负样例的数量。默认值是10
- name (str|None) - 该layer的名称(可选)。如果设置为None,该层将被自动命名
- sampler (str) – 取样器,用于从负类别中进行取样。可以是 ‘uniform’, ‘log_uniform’ 或 ‘custom_dist’。 默认 ‘uniform’
- custom_dist (float[]) – 一个 float[] 并且它的长度为
num_total_classes
。 如果取样器类别为‘custom_dist’,则使用此参数。 custom_dist[i] 是第i个类别被取样的概率。默认为 None - seed (int) – 取样器使用的seed。默认为0
- is_sparse (bool) – 标志位,指明是否使用稀疏更新, \(weight@GRAD\) 和 \(bias@GRAD\) 会变为 SelectedRows
返回: nce loss
返回类型: 变量(Variable)
代码示例
import numpy as np
import paddle.fluid as fluid
window_size = 5
dict_size = 20
label_word = int(window_size // 2) + 1
inp_word = np.array([[[1]], [[2]], [[3]], [[4]], [[5]]]).astype('int64')
nid_freq_arr = np.random.dirichlet(np.ones(20) * 1000).astype('float32')
with fluid.dygraph.guard():
words = []
for i in range(window_size):
words.append(fluid.dygraph.base.to_variable(inp_word[i]))
emb = fluid.Embedding(
'embedding',
size=[dict_size, 32],
param_attr='emb.w',
is_sparse=False)
embs3 = []
for i in range(window_size):
if i == label_word:
continue
emb_rlt = emb(words[i])
embs3.append(emb_rlt)
embs3 = fluid.layers.concat(input=embs3, axis=1)
nce = fluid.NCE('nce',
num_total_classes=dict_size,
num_neg_samples=2,
sampler="custom_dist",
custom_dist=nid_freq_arr.tolist(),
seed=1,
param_attr='nce.w',
bias_attr='nce.b')
nce_loss3 = nce(embs3, words[label_word])
NoamDecay¶
Noam衰减方法。noam衰减的numpy实现如下。
import numpy as np
# 设置超参数
d_model = 2
current_steps = 20
warmup_steps = 200
# 计算
lr_value = np.power(d_model, -0.5) * np.min([
np.power(current_steps, -0.5),
np.power(warmup_steps, -1.5) * current_steps])
- 参数:
- d_model (Variable)-模型的输入和输出维度
- warmup_steps (Variable)-超参数
- begin – 起始步(默认为0)。
- step – 步大小(默认为1)。
- dtype – 初始学习率的dtype(默认为‘float32’)。
代码示例
import paddle.fluid as fluid
warmup_steps = 100
learning_rate = 0.01
with fluid.dygraph.guard():
optimizer = fluid.optimizer.SGD(
learning_rate = fluid.dygraph.NoamDecay(
1/(warmup_steps *(learning_rate ** 2)),
warmup_steps) )
PiecewiseDecay¶
对初始学习率进行分段(piecewise)衰减。
该算法可用如下代码描述。
boundaries = [10000, 20000]
values = [1.0, 0.5, 0.1]
if step < 10000:
learning_rate = 1.0
elif 10000 <= step < 20000:
learning_rate = 0.5
else:
learning_rate = 0.1
- 参数:
- boundaries -一列代表步数的数字
- values -一列学习率的值,从不同的步边界中挑选
- begin – 用于初始化self.step_num的起始步(默认为0)。
- step – 计算新的step_num步号时使用的步大小(默认为1)。
- dtype – 初始化学习率变量的dtype
代码示例
import paddle.fluid as fluid
boundaries = [10000, 20000]
values = [1.0, 0.5, 0.1]
with fluid.dygraph.guard():
optimizer = fluid.optimizer.SGD(
learning_rate=fluid.dygraph.PiecewiseDecay(boundaries, values, 0) )
PolynomialDecay¶
-
class
paddle.fluid.dygraph.
PolynomialDecay
(learning_rate, decay_steps, end_learning_rate=0.0001, power=1.0, cycle=False, begin=0, step=1, dtype='float32')[源代码]¶
为初始学习率应用多项式衰减。
if cycle:
decay_steps = decay_steps * ceil(global_step / decay_steps)
else:
global_step = min(global_step, decay_steps)
decayed_learning_rate = (learning_rate - end_learning_rate) *
(1 - global_step / decay_steps) ^ power + end_learning_rate
- 参数:
- learning_rate (Variable|float32)-标量float32值或变量。是训练过程中的初始学习率
- decay_steps (int32)-Python int32数
- end_learning_rate (float)-Python float数
- power (float)-Python float数
- cycle (bool)-若设为true,每decay_steps衰减学习率
- begin (int) – 起始步(默认为0)
- step (int) – 步大小(默认为1)
- dtype (str)– 初始化学习率变量的dtype(默认为‘float32’)
返回:衰减的学习率
返回类型:变量(Variable)
代码示例
import paddle.fluid as fluid
start_lr = 0.01
total_step = 5000
end_lr = 0
with fluid.dygraph.guard():
optimizer = fluid.optimizer.SGD(
learning_rate = fluid.dygraph.PolynomialDecay(
start_lr, total_step, end_lr, power=1.0) )
Pool2D¶
-
class
paddle.fluid.dygraph.
Pool2D
(name_scope, pool_size=-1, pool_type='max', pool_stride=1, pool_padding=0, global_pooling=False, use_cudnn=True, ceil_mode=False, exclusive=True, dtype=VarType.FP32)[源代码]¶
pooling2d操作符根据 input
, 池化类型 pooling_type
, 池化核大小 ksize
, 步长 strides
,填充 paddings
这些参数得到输出。
输入X和输出Out是NCHW格式,N为batch尺寸,C是通道数,H是特征高度,W是特征宽度。
参数(ksize,strides,paddings)含有两个元素。这两个元素分别代表高度和宽度。输入X的大小和输出Out的大小可能不一致。
- 参数:
- name_scope (str) - 该类的名称
- pool_size (int|list|tuple) - 池化核的大小。如果它是一个元组或列表,它必须包含两个整数值, (pool_size_Height, pool_size_Width)。其他情况下,若为一个整数,则它的平方值将作为池化核大小,比如若pool_size=2, 则池化核大小为2x2,默认值为-1。
- pool_type (string) - 池化类型,可以是“max”对应max-pooling,“avg”对应average-pooling,默认值为max。
- pool_stride (int|list|tuple) - 池化层的步长。如果它是一个元组或列表,它将包含两个整数,(pool_stride_Height, pool_stride_Width)。否则它是一个整数的平方值。默认值为1。
- pool_padding (int|list|tuple) - 填充大小。如果它是一个元组,它必须包含两个整数值,(pool_padding_on_Height, pool_padding_on_Width)。否则它是一个整数的平方值。默认值为0。
- global_pooling (bool)- 是否用全局池化。如果global_pooling = true,
ksize
和paddings
将被忽略。默认值为false - use_cudnn (bool)- 只在cudnn核中用,需要安装cudnn,默认值为True。
- ceil_mode (bool)- 是否用ceil函数计算输出高度和宽度。默认False。如果设为False,则使用floor函数。默认值为false。
- exclusive (bool) - 是否在平均池化模式忽略填充值。默认为True。
返回:池化结果
返回类型:变量(Variable)
- 抛出异常:
ValueError
- 如果pool_type
既不是“max”也不是“avg”ValueError
- 如果global_pooling
为False并且‘pool_size’为-1ValueError
- 如果use_cudnn
不是bool值
代码示例
import paddle.fluid as fluid
import numpy
with fluid.dygraph.guard():
data = numpy.random.random((3, 32, 32)).astype('float32')
pool2d = fluid.dygraph.Pool2D("pool2d",pool_size=2,
pool_type='max',
pool_stride=1,
global_pooling=False)
pool2d_res = pool2d(data)
PRelu¶
等式:
- 参数:
name_scope (string)- 该类的名称。
mode (string) - 权重共享模式。共提供三种激活方式:
all: 所有元素使用同一个权值 channel: 在同一个通道中的元素使用同一个权值 element: 每一个元素有一个独立的权值
param_attr (ParamAttr|None) - 可学习权重 \([\alpha]\) 的参数属性。
返回: 输出Tensor与输入tensor的shape相同。
返回类型: 变量(Variable)
代码示例:
import paddle.fluid as fluid
import numpy as np
inp_np = np.ones([5, 200, 100, 100]).astype('float32')
with fluid.dygraph.guard():
mode = 'channel'
prelu = fluid.PRelu(
'prelu',
mode=mode,
param_attr=fluid.ParamAttr(initializer=fluid.initializer.Constant(1.0)))
dy_rlt = prelu(fluid.dygraph.base.to_variable(inp_np))
save_persistables¶
该函数把传入的层中所有参数以及优化器进行保存。
dirname
用于指定保存长期变量的目录。
- 参数:
- model_dict (dict of Parameters) – 参数将会被保存,如果设置为None,不会处理。
- dirname (str) – 目录路径
- optimizers (fluid.Optimizer|list(fluid.Optimizer)|None) – 要保存的优化器。
返回: None
代码示例
import paddle.fluid as fluid
ptb_model = PtbModel(
hidden_size=hidden_size,
vocab_size=vocab_size,
num_layers=num_layers,
num_steps=num_steps,
init_scale=init_scale)
sgd = fluid.optimizer.SGD(learning_rate=0.01)
x_data = np.arange(12).reshape(4, 3).astype('int64')
y_data = np.arange(1, 13).reshape(4, 3).astype('int64')
x_data = x_data.reshape((-1, num_steps, 1))
y_data = y_data.reshape((-1, 1))
init_hidden_data = np.zeros(
(num_layers, batch_size, hidden_size), dtype='float32')
init_cell_data = np.zeros(
(num_layers, batch_size, hidden_size), dtype='float32')
x = to_variable(x_data)
y = to_variable(y_data)
init_hidden = to_variable(init_hidden_data)
init_cell = to_variable(init_cell_data)
dy_loss, last_hidden, last_cell = ptb_model(x, y, init_hidden,
init_cell)
dy_loss.backward()
sgd.minimize(dy_loss)
ptb_model.clear_gradient()
param_path = "./my_paddle_model"
fluid.dygraph.save_persistables(ptb_model.state_dict(), dirname=param_path, sgd)
SpectralNorm¶
-
class
paddle.fluid.dygraph.
SpectralNorm
(name_scope, dim=0, power_iters=1, eps=1e-12, name=None)[源代码]¶
该层计算了fc、conv1d、conv2d、conv3d层的权重参数的谱正则值,其参数应分别为2-D, 3-D, 4-D, 5-D。计算结果如下。
步骤1:生成形状为[H]的向量U,以及形状为[W]的向量V,其中H是输入权重的第 dim
个维度,W是剩余维度的乘积。
步骤2: power_iters
应该是一个正整数,用U和V迭代计算 power_iters
轮。
步骤3:计算 sigma(mathbf{W}) 并权重值归一化。
- 参数:
- name_scope (str)-该类的名称。
- dim (int)-将输入(weight)重塑为矩阵之前应排列到第一个的维度索引,如果input(weight)是fc层的权重,则应设置为0;如果input(weight)是conv层的权重,则应设置为1,默认为0。
- power_iters (int)-将用于计算spectral norm的功率迭代次数,默认值1。
- eps (float)-epsilon用于计算规范中的数值稳定性,默认值为1e-12
- name (str)-此层的名称,可选。
返回:谱正则化后权重参数的张量变量
返回类型:Variable
代码示例:
import paddle.fluid as fluid
import numpy
with fluid.dygraph.guard():
x = numpy.random.random((2, 8, 32, 32)).astype('float32')
spectralNorm = fluid.dygraph.nn.SpectralNorm('SpectralNorm', dim=1, power_iters=2)
ret = spectralNorm(fluid.dygraph.base.to_variable(x))
to_variable¶
-
paddle.fluid.
dygraph_to_variable
(value, block=None, name=None)¶
该函数会从ndarray创建一个variable。
- 参数:
- value (ndarray) – 需要转换的numpy值
- block (fluid.Block) – variable所在的block,默认为None
- name (str) – variable的名称,默认为None
返回: 从指定numpy创建的variable
返回类型:Variable
代码示例:
import numpy as np
import paddle.fluid as fluid
with fluid.dygraph.guard():
x = np.ones([2, 2], np.float32)
y = fluid.dygraph.to_variable(x)
TreeConv¶
-
class
paddle.fluid.dygraph.
TreeConv
(name_scope, output_size, num_filters=1, max_depth=2, act='tanh', param_attr=None, bias_attr=None, name=None)[源代码]¶
基于树结构的卷积Tree-Based Convolution运算。
基于树的卷积是基于树的卷积神经网络(TBCNN,Tree-Based Convolution Neural Network)的一部分,它用于对树结构进行分类,例如抽象语法树。 Tree-Based Convolution提出了一种称为连续二叉树的数据结构,它将多路(multiway)树视为二叉树。提出 基于树的卷积论文
- 参数:
- name_scope (str) – 该类的名称
- output_size (int) – 输出特征宽度
- num_filters (int) – filter数量,默认值1
- max_depth (int) – filter的最大深度,默认值2
- act (str) – 激活函数,默认 tanh
- param_attr (ParamAttr) – filter的参数属性,默认None
- bias_attr (ParamAttr) – 此层bias的参数属性,默认None
- name (str) – 此层的名称(可选)。如果设置为None,则将自动命名层,默认为None
返回: (Tensor)子树的特征向量。输出张量的形状是[max_tree_node_size,output_size,num_filters]。输出张量可以是下一个树卷积层的新特征向量
返回类型:out(Variable)
代码示例:
import paddle.fluid as fluid
import numpy
with fluid.dygraph.guard():
nodes_vector = numpy.random.random((1, 10, 5)).astype('float32')
edge_set = numpy.random.random((1, 9, 2)).astype('int32')
treeConv = fluid.dygraph.nn.TreeConv(
'TreeConv', output_size=6, num_filters=1, max_depth=2)
ret = treeConv(fluid.dygraph.base.to_variable(nodes_vector), fluid.dygraph.base.to_variable(edge_set))