动态图

作者: PaddlePaddle 日期: 2021.05 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Paddle 2.1 编写,如果你的环境不是本版本,请先参考官网安装 Paddle 2.1 。

[1]:
import paddle
import paddle.nn.functional as F
import numpy as np

print(paddle.__version__)
2.1.0

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。

[3]:
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)
Tensor(shape=[4, 2], dtype=float32, place=CPUPlace, stop_gradient=True,
       [[ 1.37919605, -0.62310869],
        [ 1.67646325, -1.12426722],
        [ 0.29535872,  0.15387590],
        [-0.55509675, -1.91841769]])
Tensor(shape=[2], dtype=float32, place=CPUPlace, stop_gradient=True,
       [1., 2.])
Tensor(shape=[4, 2], dtype=float32, place=CPUPlace, stop_gradient=True,
       [[2.37919617, 1.37689137],
        [2.67646313, 0.87573278],
        [1.29535866, 2.15387583],
        [0.44490325, 0.08158231]])
Tensor(shape=[4], dtype=float32, place=CPUPlace, stop_gradient=True,
       [ 0.13297868, -0.57207119,  0.60311055, -4.39193201])

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)

[4]:
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 +> [5 6 7]
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 -> [  -3  123 2181]
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。

[5]:
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
[6]:
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 [1.1265092]
200 [0.8528375]
400 [0.4673411]
600 [0.25207424]
800 [0.20187281]
1000 [0.0523094]
1200 [0.02333442]
1400 [0.01016075]
1600 [0.00662685]
1800 [0.02008343]
2000 [0.00313827]
2200 [0.00228308]
2400 [0.0010894]
2600 [0.00323017]
2800 [0.00210726]

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。

[7]:
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: [0.34925056]
step: 1, loss: [0.30813003]
step: 2, loss: [0.2843244]
step: 3, loss: [0.26361164]
step: 4, loss: [0.23956387]
step: 5, loss: [0.21207763]
step: 6, loss: [0.18401164]
step: 7, loss: [0.1586062]
step: 8, loss: [0.13708147]
step: 9, loss: [0.11902912]

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。