static_pylayer

paddle.static.nn. static_pylayer ( forward_fn, inputs, backward_fn=None, name=None ) [源代码]

该 API 返回 forward_fn(inputs)，并且根据传入的 forward_fn 和 backward_fn 的执行逻辑创建两个 sub_block， 同时创建 pylayer 算子，pylayer 算子的属性储存创建的 sub_block ID。

forward_fn 和 backward_fn 需要返回同样嵌套结构（nest structure）的 Tensor。 PaddlePaddle 里 Tensor 的嵌套结构是指一个 Tensor，或者 Tensor 的元组（tuple），或者 Tensor 的列表（list）。

注解

  1. 如果 backward_fn 不为 None，用户需要使 forward_fn 的输入 Tensor 的数量和 backward_fn 的输出 Tensor 的数量相同，forward_fn 的输出 Tensor 的数量和 backward_fn 的输入 Tensor 的数量相同。

  2. 在 backward_fn 被设置为 None 的情况下，inputs 里所有 Variable 的 stop_gradient 属性应该被设为 True，否则可能会在反向传播（backward propagation）中得到意想不到的结果。

  3. 本 API 只能被运行在静态图模式下。

参数

  • forward_fn (callable) - 一个前向传播（forward propagation）时被调用的 callable。

  • inputs (list[Variable]) - Variable 类型列表，其含义为 forward_fn 的输入 Variable。

  • backward_fn (callable，可选) - 一个反向传播（backward propagation）时被调用的 callable。默认值：None，表示不需要进行反向传播（backward propagation）。

  • name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值：None。

返回

Variable|list(Variable)|tuple(Variable)，该 API 返回 forward_fn(inputs)。

代码示例

>>> import paddle
>>> import numpy as np

>>> paddle.enable_static()

>>> def forward_fn(x):
...     return paddle.exp(x)

>>> def backward_fn(dy):
...     return 2 * paddle.exp(dy)

>>> main_program = paddle.static.Program()
>>> start_program = paddle.static.Program()

>>> place = paddle.CPUPlace()
>>> exe = paddle.static.Executor(place)
>>> with paddle.static.program_guard(main_program, start_program):
...     data = paddle.static.data(name="X", shape=[None, 5], dtype="float32")
...     data.stop_gradient = False
...     ret = paddle.static.nn.static_pylayer(forward_fn, [data], backward_fn)
...     data_grad = paddle.static.gradients([ret], data)[0]

>>> exe.run(start_program)
>>> x = np.array([[1.0, 2.0, 3.0, 4.0, 5.0]], dtype=np.float32)
>>> x, x_grad, y = exe.run(
...     main_program,
...     feed={"X": x},
...     fetch_list=[
...         data.name,
...         data_grad.name,
...         ret.name
...     ],
... )

>>> print(x)
[[1. 2. 3. 4. 5.]]
>>> print(x_grad)
[[5.4365635 5.4365635 5.4365635 5.4365635 5.4365635]]
>>> print(y)
[[  2.7182817   7.389056   20.085537   54.59815   148.41316  ]]