Executor

    Executor支持单GPU、多GPU以及CPU运行。

    参数：

    • place (paddle.CPUPlace()|paddle.CUDAPlace(N)|None) – 该参数表示Executor执行所在的设备，这里的N为GPU对应的ID。当该参数为 None 时，PaddlePaddle会根据其安装版本设置默认的运行设备。当安装的Paddle为CPU版时，默认运行设置会设置成 CPUPlace() ，而当Paddle为GPU版时，默认运行设备会设置成 CUDAPlace(0) 。默认值为None。

    返回：初始化后的 Executor 对象

    示例代码

    close ( )

    关闭执行器。该接口主要用于对于分布式训练，调用该接口后不可以再使用该执行器。该接口会释放在PServers上和目前Trainer有关联的资源。

    返回：无

    示例代码

    1. import paddle
    3. cpu = paddle.CPUPlace()
    4. exe = paddle.static.Executor(cpu)
    5. # 执行训练或测试过程
    6. exe.close()

    run ( program=None, feed=None, fetch_list=None, feed_var_name=’feed’, fetch_var_name=’fetch’, scope=None, return_numpy=True, use_program_cache=False, return_merged=True, use_prune=False )

    执行指定的Program或者CompiledProgram。需要注意的是，执行器会执行Program或CompiledProgram中的所有算子，而不会根据fetch_list对Program或CompiledProgram中的算子进行裁剪。同时，需要传入运行该模型用到的scope，如果没有指定scope，执行器将使用全局scope，即paddle.static.global_scope()。

    参数：

    • program (Program|CompiledProgram) – 该参数为被执行的Program或CompiledProgram，如果未提供该参数，即该参数为None，在该接口内，main_program将被设置为paddle.static.default_main_program()。默认为：None。

    • feed (list|dict) – 该参数表示模型的输入变量。如果是单卡训练，feed 为 dict 类型，如果是多卡训练，参数 feed 可以是 dict 或者 list 类型变量，如果该参数类型为 dict ，feed中的数据将会被分割(split)并分送给多个设备（CPU/GPU），即输入数据被均匀分配到不同设备上；如果该参数类型为 list ，则列表中的各个元素都会直接分别被拷贝到各设备中。默认为：None。

    • fetch_list (list) – 该参数表示模型运行之后需要返回的变量。默认为：None。

    • feed_var_name (str) – 该参数表示数据输入算子(feed operator)的输入变量名称。默认为：”feed”。

    • fetch_var_name (str) – 该参数表示结果获取算子(fetch operator)的输出变量名称。默认为：”fetch”。

    • scope (Scope) – 该参数表示执行当前program所使用的作用域，用户可以为不同的program指定不同的作用域。默认值：paddle.static.global_scope()。

    • use_program_cache (bool) – 该参数表示是否对输入的Program进行缓存。如果该参数为True，在以下情况时，模型运行速度可能会更快：输入的program为 paddle.static.Program ，并且模型运行过程中，调用该接口的参数（program、 feed变量名和fetch_list变量）名始终不变。默认为：False。

    • return_merged (bool) – 该参数表示是否按照执行设备维度将返回的计算结果（fetch list中指定的变量）进行合并。如果 return_merged 设为False，返回值类型是一个Tensor的二维列表（ return_numpy 设为Fasle时）或者一个numpy.ndarray的二维列表（ return_numpy 设为True时）。如果 return_merged 设为True，返回值类型是一个Tensor的一维列表（ return_numpy 设为Fasle时）或者一个numpy.ndarray的一维列表（ return_numpy 设为True时）。更多细节请参考示例代码2。如果返回的计算结果是变长的，请设置 return_merged 为False，即不按照执行设备维度合并返回的计算结果。该参数的默认值为True，但这仅是为了兼容性考虑，在未来的版本中默认值可能会更改为False。

    • use_prune (bool) - 该参数表示输入Program是否会被裁剪。如果该参数为True，会根据feed和fetch_list裁剪Program，这意味着对生成fetch_list没有必要的算子和变量会被裁剪掉。默认为False，即算子和变量在运行过程不会被裁剪。注意如果Optimizer.minimize()返回的tuple被作为fetch_list参数，那么use_prune会被重载为True并且Program会被裁剪。

    返回：返回fetch_list中指定的变量值

    注解

    1. 如果是多卡训练，并且feed参数为dict类型，输入数据将被均匀分配到不同的卡上，例如：使用2块GPU训练，输入样本数为3，即[0, 1, 2]，经过拆分之后，GPU0上的样本数为1，即[0]，GPU1上的样本数为2，即[1, 2]。如果样本数少于设备数，程序会报错，因此运行模型时，应额外注意数据集的最后一个batch的样本数是否少于当前可用的CPU核数或GPU卡数，如果是少于，建议丢弃该batch。

    2. 如果可用的CPU核数或GPU卡数大于1，则fetch出来的结果为不同设备上的相同变量值（fetch_list中的变量）在第0维拼接在一起。

    示例代码1

    示例代码2

    1. import paddle
    2. import numpy as np
    4. # 创建Executor对象
    5. paddle.enable_static()
    6. place = paddle.CUDAPlace(0)
    7. exe = paddle.static.Executor(place)
    9. data = paddle.static.data(name='X', shape=[None, 1], dtype='float32')
    10. class_dim = 2
    12. loss = paddle.mean(prediction)
    13. adam = paddle.optimizer.Adam()
    14. adam.minimize(loss)
    16. # 运行且仅运行一次startup program
    17. exe.run(paddle.static.default_startup_program())
    18. build_strategy = paddle.static.BuildStrategy()
    19.     paddle.static.default_main_program()).with_data_parallel(
    20.         loss_name=loss.name, build_strategy=build_strategy)
    21. batch_size = 6
    22. x = np.random.random(size=(batch_size, 1)).astype('float32')
    24. # 1) 设置 return_merged 参数为False以获取不合并的计算结果：
    25. unmerged_prediction, = exe.run(binary,
    26.                                feed={'X': x},
    27.                                fetch_list=[prediction.name],
    28.                                return_merged=False)
    29. # 如果用户使用两个GPU卡来运行此python代码示例，输出结果将为(2, 3, class_dim)。
    30. # 输出结果中第一个维度值代表所使用的GPU卡数，而第二个维度值代表batch_size和所使用
    31. # 的GPU卡数之商。
    32. print("The unmerged prediction shape: {}".format(
    33.     np.array(unmerged_prediction).shape))
    34. print(unmerged_prediction)
    36. # 2) 设置 return_merged 参数为True以获取合并的计算结果：
    37. merged_prediction, = exe.run(binary,
    38.                              feed={'X': x},
    39.                              fetch_list=[prediction.name],
    40.                              return_merged=True)
    42. # 如果用户使用两个GPU卡来运行此python代码示例，输出结果将为(6, class_dim)。输出结果
    43. # 中第一个维度值代表batch_size值。
    44. print("The merged prediction shape: {}".format(
    46. print(merged_prediction)
    48. # 输出:
    49. # The unmerged prediction shape: (2, 3, 2)
    50. # [array([[-0.37620035, -0.19752218],
    51. #        [-0.3561043 , -0.18697084],
    52. #        [-0.24129935, -0.12669306]], dtype=float32), array([[-0.24489994, -0.12858354],
    53. #        [-0.49041364, -0.25748932],
    54. #        [-0.44331917, -0.23276259]], dtype=float32)]
    55. # The merged prediction shape: (6, 2)
    56. #  [-0.3577645  -0.18863106]
    57. #  [-0.24274671 -0.12814042]
    58. #  [-0.24635398 -0.13003758]
    59. #  [-0.49232286 -0.25939852]
    60. #  [-0.44514108 -0.2345845 ]]

    infer_from_dataset ( program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100 )

    infer_from_dataset的文档与train_from_dataset几乎完全相同，只是在分布式训练中，推进梯度将在infer_from_dataset中禁用。 infer_from_dataset（）可以非常容易地用于多线程中的评估。

    参数：

    • program (Program|CompiledProgram) – 需要执行的program,如果没有给定那么默认使用default_main_program (未编译的)

    • dataset (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义的数据集。必要时请检查Dataset文件。默认为None

    • scope (Scope) – 执行这个program的域，用户可以指定不同的域。默认为全局域

    • thread (int) – 用户想要在这个函数中运行的线程数量。线程的实际数量为min(Dataset.thread_num, thread)，如果thread > 0，默认为0

    • debug (bool) – 是否开启debug模式，默认为False

    • fetch_info (String List) – 每个变量的打印信息，默认为None

    • print_period (int) – 每两次打印之间间隔的mini-batches的数量，默认为100

    返回：None

    示例代码

    train_from_dataset ( program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100 )

    从预定义的数据集中训练。 数据集在paddle.fluid.dataset中定义。 给定程序（或编译程序），train_from_dataset将使用数据集中的所有数据样本。 输入范围可由用户给出。 默认情况下，范围是global_scope()。训练中的线程总数是thread。 训练中使用的线程数将是数据集中threadnum的最小值，同时也是此接口中线程的值。 可以设置debug，以便执行器显示所有算子的运行时间和当前训练任务的吞吐量。

    注意：train_from_dataset将销毁每次运行在executor中创建的所有资源。

    参数：

    • program (Program|CompiledProgram) – 需要执行的program,如果没有给定那么默认使用default_main_program (未编译的)

    • dataset (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义的数据集。必要时请检查Dataset文件。默认为None

    • scope (Scope) – 执行这个program的域，用户可以指定不同的域。默认为全局域

    • thread (int) – 用户想要在这个函数中运行的线程数量。线程的实际数量为min(Dataset.thread_num, thread)，如果thread > 0，默认为0

    • debug (bool) – 是否开启debug模式，默认为False

    • fetch_list (Tensor List) – 返回变量列表，每个变量都会在训练过程中被打印出来，默认为None

    • fetch_info (String List) – 每个变量的打印信息，默认为None

    • print_period (int) – 每两次打印之间间隔的mini-batches的数量，默认为100

    返回：None

    1. import paddle
    3. paddle.enable_static()
    4. place = paddle.CPUPlace() # 使用GPU时可设置place = paddle.CUDAPlace(0)
    5. exe = paddle.static.Executor(place)
    6. x = paddle.static.data(name="x", shape=[None, 10, 10], dtype="int64")
    7. y = paddle.static.data(name="y", shape=[None, 1], dtype="int64", lod_level=1)
    8. dataset = paddle.fluid.DatasetFactory().create_dataset()
    9. dataset.set_use_var([x, y])
    10. dataset.set_thread(1)
    11. # 您可以设置您自己的filelist，如filelist = ["dataA.txt"]
    12. filelist = []
    13. dataset.set_filelist(filelist)
    14. exe.run(paddle.static.default_startup_program())
    15. exe.train_from_dataset(program=paddle.static.default_main_program(),
    16.                        dataset=dataset)