Operator

在飞桨(PaddlePaddle,以下简称Paddle)中,所有对数据的操作都由Operator表示

为了便于用户使用,在Python端,Paddle中的Operator被封装入 paddle.fluid.layerspaddle.fluid.nets 等模块。

因为一些常见的对Tensor的操作可能是由更多基础操作构成,为了提高使用的便利性,框架内部对基础 Operator 进行了一些封装,包括创建 Operator 依赖可学习参数,可学习参数的初始化细节等,减少用户重复开发的成本。

例如用户可以利用 paddle.fluid.layers.elementwise_add() 实现两个输入Tensor的加法运算:

import paddle.fluid as fluid
import numpy

a = fluid.data(name="a",shape=[1],dtype='float32')
b = fluid.data(name="b",shape=[1],dtype='float32')

result = fluid.layers.elementwise_add(a,b)

# 定义执行器,并且制定执行的设备为CPU
cpu = fluid.core.CPUPlace()
exe = fluid.Executor(cpu)
exe.run(fluid.default_startup_program())

x = numpy.array([5]).astype("float32")
y = numpy.array([7]).astype("float32")

outs = exe.run(
        feed={'a':x,'b':y},
        fetch_list=[result])
# 打印输出结果,[array([12.], dtype=float32)]
print( outs )

如果想获取网络执行过程中的a,b的具体值,可以将希望查看的变量添加在fetch_list中。

#执行计算
outs = exe.run(
    feed={'a':x,'b':y},
    fetch_list=[a,b,result])
#查看输出结果
print( outs )

输出结果:

[array([5.], dtype=float32), array([7.], dtype=float32), array([12.], dtype=float32)]