我的书签
添加书签
移除书签基础概念
总得来说：
- 一个模型是一个 Fluid
Program,一个模型可以含有多于一个Program； Program由嵌套的Block构成，Block的概念可以类比到 C++ 或是 Java 中的一对大括号，或是 Python 语言中的一个缩进块；Block中包含对计算和计算对象的描述。计算的描述称之为 Operator；计算作用的对象（或者说 Operator 的输入和输出）被统一为 Tensor，在Fluid中，Tensor 用层级为0的 Lod_Tensor 表示。
Block
Block 是高级语言中变量作用域的概念，在编程语言中，Block是一对大括号，其中包含局部变量定义和一系列指令或操作符。编程语言中的控制流结构 if-else 和 for 在深度学习中可以被等效为：
如上文所说，Fluid 中的 Block 描述了一组以顺序、选择或是循环执行的 Operator 以及 Operator 操作的对象：Tensor。
在 Fluid 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，Fluid 中的 Operator 被一步封装入 paddle.fluid.layers ， paddle.fluid.nets 等模块。
更多内容可参考阅读 Fluid设计思想
Variable
Fluid 中的 Variable 可以包含任何类型的值———在大多数情况下是一个 Lod_Tensor 。
模型中所有的可学习参数都以 Variable 的形式保留在内存空间中，您在绝大多数情况下都不需要自己来创建网络中的可学习参数， Fluid 为几乎常见的神经网络基本计算模块都提供了封装。以最简单的全连接模型为例，调用 fluid.layers.fc 会直接为全连接层创建连接权值( W )和偏置（ bias ）两个可学习参数，无需显示地调用 variable 相关接口创建可学习参数。
Fluid 中部分网络层里包含了 name 参数，如 。此 name 一般用来作为网络层输出、权重的前缀标识，具体规则如下：
- 用于网络层输出的前缀标识。若网络层中指定了
name参数，Fluid 将以name值_数字.tmp_数字作为唯一标识对网络层输出进行命名；未指定 参数时，则以OP名_数字.tmp_数字的方式进行命名，其中的数字会自动递增，以区分同名OP下的不同网络层。 - 用于权重或偏置变量的前缀标识。若在网络层中通过
param_attr和bias_attr创建了权重变量或偏置变量， 如 embedding 、 ，则 Fluid 会自动生成前缀.w_数字或前缀.b_数字的唯一标识对其进行命名，其中前缀为用户指定的name或自动生成的OP名_数字。若在param_attr和bias_attr中指定了name，则用此name，不再自动生成。细节请参考示例代码。
示例代码如下：
上述示例中， fc_none 和 fc_none1 均未指定 name 参数，则以 OP名_数字.tmp_数字 分别对该OP输出进行命名：fc_0.tmp_1 和 fc_1.tmp_1 ，其中 fc_0 和 fc_1 中的数字自动递增以区分两个全连接层； my_fc1 和 my_fc2 均指定了 name 参数，但取值相同，Fluid 以后缀 进行区分，即 my_fc.tmp_1 和 my_fc.tmp_3 。
对于网络层中创建的变量， emb 层和 fc_none 、 fc_none1 层均默认以 OP名_数字 为前缀对权重或偏置变量进行命名，如 embedding_0.w_0 、 fc_0.w_0 、 fc_0.b_0 ，其前缀与OP输出的前缀一致。 my_fc1 层和 my_fc2 层则优先以 ParamAttr 中指定的 fc_weight 作为共享权重的名称。而偏置变量 my_fc.b_0 和 my_fc.b_1 则次优地以 name 作为前缀标识。
在上述示例中，my_fc1 和 my_fc2 两个全连接层通过构建 ParamAttr ，并指定 name 参数，实现了网络层权重变量的共享机制。
