• 设计思想
    • 简介
    • 1. Fluid内部执行流程
    • 2. Program设计思想
      • Programs and Blocks
      • BlockDesc and ProgramDesc
      • 使用Blocks的Operator
    • 3. Executor设计思想
    • 代码实例

    设计思想

    简介

    本篇文档主要介绍Fluid底层的设计思想，帮助用户更好的理解框架运作过程。

    阅读本文档，您将了解：

    • Fluid 内部的执行流程
    • Program 如何描述模型
    • Executor 如何执行运算

    1. Fluid内部执行流程

    Fluid使用一种编译器式的执行流程，分为编译时和运行时两个部分，具体包括：编译器定义 Program ，创建Executor 运行 Program 。

    本地训练任务执行流程图如下所示：

    设计思想 - 图1

    • 编译时，用户编写一段python程序，通过调用 Fluid 提供的算子，向一段 Program 中添加变量（Tensor）以及对变量的操作（Operators 或者 Layers）。用户只需要描述核心的前向计算，不需要关心反向计算、分布式下以及异构设备下如何计算。

    • 原始的 Program 在平台内部转换为中间描述语言： ProgramDesc。

    • 编译期最重要的一个功能模块是 Transpiler。Transpiler 接受一段 ProgramDesc ，输出一段变化后的 ProgramDesc ，作为后端 Executor 最终需要执行的 Fluid Program

    • 后端 Executor 接受 Transpiler 输出的这段 Program ，依次执行其中的 Operator（可以类比为程序语言中的指令），在执行过程中会为 Operator 创建所需的输入输出并进行管理。

    2. Program设计思想

    用户完成网络定义后，一段 Fluid 程序中通常存在 2 段 Program：

    • fluid.default_startup_program：定义了创建模型参数，输入输出，以及模型中可学习参数的初始化等各种操作

    default_startup_program 可以由框架自动生成，使用时无需显示地创建

    如果调用修改了参数的默认初始化方式，框架会自动的将相关的修改加入default_startup_program

    • fluid.default_main_program ：定义了神经网络模型，前向反向计算，以及优化算法对网络中可学习参数的更新

    使用Fluid的核心就是构建起 default_main_program

    Programs and Blocks

    Fluid 的 Program 的基本结构是一些嵌套 blocks，形式上类似一段 C++ 或 Java 程序。

    blocks中包含：

    • 本地变量的定义
    • 一系列的operatorblock的概念与通用程序一致，例如在下列这段C++代码中包含三个block：
    1. int main(){ //block 0
    2.     int i = 0;
    3.     if (i<10){ //block 1
    4.         for (int j=0;j<10;j++){ //block 2
    5.         }
    6.     }
    7.     return 0;
    8. }

    类似的，在下列 Fluid 的 Program 包含3段block：

    1. import paddle.fluid as fluid  # block 0
    2.  
    3. limit = fluid.layers.fill_constant_batch_size_like(
    4.     input=label, dtype='int64', shape=[1], value=5.0)
    5. cond = fluid.layers.less_than(x=label, y=limit)
    6.  
    7. ie = fluid.layers.IfElse(cond)
    8. with ie.true_block(): # block 1
    9.     true_image = ie.input(image)
    10.     hidden = fluid.layers.fc(input=true_image, size=100, act='tanh')
    11.     prob = fluid.layers.fc(input=hidden, size=10, act='softmax')
    12.     ie.output(prob)
    13.  
    14. with ie.false_block(): # block 2
    15.     false_image = ie.input(image)
    16.     hidden = fluid.layers.fc(
    17.         input=false_image, size=200, act='tanh')
    18.     prob = fluid.layers.fc(input=hidden, size=10, act='softmax')
    19.     ie.output(prob)
    20.  
    21. prob = ie()

    BlockDesc and ProgramDesc

    用户描述的block与program信息在Fluid中以protobuf 格式保存，所有的protobuf信息被定义在framework.proto中，在Fluid中被称为BlockDesc和ProgramDesc。ProgramDesc和BlockDesc的概念类似于一个抽象语法树。

    BlockDesc中包含本地变量的定义 vars，和一系列的operatorops：

    1.  message BlockDesc {
    2.   required int32 parent = 1;
    3.   repeated VarDesc vars = 2;
    4.   repeated OpDesc ops = 3;
    5. }

    parent ID表示父块，因此block中的操作符可以引用本地定义的变量，也可以引用祖先块中定义的变量。Program 中的每层 block 都被压平并存储在数组中。blocks ID是这个数组中块的索引。

    1. message ProgramDesc {
    2.   repeated BlockDesc blocks = 1;
    3. }

    使用Blocks的Operator

    Programs and Blocks的例子中，IfElseOp这个Operator包含了两个block——true分支和false分支。

    下述OpDesc的定义过程描述了一个operator可以包含哪些属性：

    1. message OpDesc {
    2.   AttrDesc attrs = 1;
    3.   ...
    4. }

    属性可以是block的类型，实际上就是上面描述的block ID:

    1. message AttrDesc {
    2.   required string name = 1;
    3.  
    4.   enum AttrType {
    5.     INT = 1,
    6.     STRING = 2,
    7.     ...
    8.     BLOCK = ...
    9.   }
    10.   required AttrType type = 2;
    11.  
    12.   optional int32 block = 10; // when type == BLOCK
    13.   ...
    14. }

    3. Executor设计思想

    Executor 在运行时将接受一个ProgramDesc、一个block_id和一个Scope。ProgramDesc是block的列表，每一项包含block中所有参数和operator的protobuf定义；block_id指定入口块；Scope是所有变量实例的容器。

    其中 Scope 包含了 name 与 Variable 的映射，所有变量都被定义在 Scope 里。大部分API会默认使用 global_scope ,例如 :code:Executor.run,您也可以指定网络运行在某个特定的 Scope 中，一个网络可以在不同的 Scope内运行，并在该 Scope 内更新不同的 Variable。

    完成的编译执行的具体过程如下图所示：

    设计思想 - 图2

    • Executor 为每一个block创建一个Scope，Block是可嵌套的，因此Scope也是可嵌套的
    • 创建所有Scope中的变量
    • 按顺序创建并执行所有operatorExecutor的C++实现代码如下：
    1. class Executor{
    2.     public:
    3.         void Run(const ProgramDesc& pdesc,
    4.                 Scope* scope,
    5.                 int block_id) {
    6.             auto& block = pdesc.Block(block_id);
    7.  
    8.             //创建所有变量
    9.             for (auto& var : block.AllVars())
    10.                 scope->Var(Var->Name());
    11.             }
    12.  
    13.             //创建OP并按顺序执行
    14.             for (auto& op_desc : block.AllOps()){
    15.                 auto op = CreateOp(*op_desc);
    16.                 op->Run(*local_scope, place_);
    17.             }
    18.         }；

    创建Executor

    Fluid中使用fluid.Executor(place)创建Executor，place属性由用户定义，代表程序将在哪里执行。

    下例代码表示创建一个Executor，其运行场所在CPU内：

    1. cpu=fluid.CPUPlace()
    2. exe = fluid.Executor(cpu)

    运行Executor

    Fluid使用Executor.run来运行程序。定义中通过Feed映射获取数据，通过fetch_list获取结果：

    1. ...
    2. x = numpy.random.random(size=(10, 1)).astype('float32')
    3. outs = exe.run(
    4.     feed={'X': x},
    5.     fetch_list=[loss.name])

    代码实例

    本节通过Fluid编程指南中简单的线性回归例子，为您介绍上述内容如何在代码中实现。

    定义Program

    您可以随意定义自己的数据和网络结构，定义的结果都将作为一段 Program 被 Fluid 接收，Program 的基本结构是一些 blocks，本节的 Program 仅包含一个 block 0：

    1. #加载函数库
    2. import paddle.fluid as fluid #block 0
    3. import numpy
    4.  
    5. #定义数据
    6. train_data=numpy.array([[1.0],[2.0],[3.0],[4.0]]).astype('float32')
    7. y_true = numpy.array([[2.0],[4.0],[6.0],[8.0]]).astype('float32')
    8. #定义网络
    9. x = fluid.layers.data(name="x",shape=[1],dtype='float32')
    10. y = fluid.layers.data(name="y",shape=[1],dtype='float32')
    11. y_predict = fluid.layers.fc(input=x,size=1,act=None)
    12. #定义损失函数
    13. cost = fluid.layers.square_error_cost(input=y_predict,label=y)
    14. avg_cost = fluid.layers.mean(cost)
    15. #定义优化方法
    16. sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.01)
    17. sgd_optimizer.minimize(avg_cost)

    完成上述定义，也就是完成了 fluid.default_main_program 的构建过程，fluid.default_main_program 中承载着神经网络模型，前向反向计算，以及优化算法对网络中可学习参数的更新。

    此时可以输出这段 Program 观察定义好的网络形态：

    1. print(fluid.default_main_program().to_string(True))

    完整ProgramDesc可以在本地查看，本次仅节选前三个变量的结果如下：

    1. blocks {
    2.   idx: 0
    3.   parent_idx: -1
    4.   vars {
    5.     name: "mean_1.tmp_0"
    6.     type {
    7.       type: LOD_TENSOR
    8.       lod_tensor {
    9.         tensor {
    10.           data_type: FP32
    11.           dims: 1
    12.         }
    13.       }
    14.     }
    15.     persistable: false
    16.   }
    17.   vars {
    18.     name: "square_error_cost_1.tmp_1"
    19.     type {
    20.       type: LOD_TENSOR
    21.       lod_tensor {
    22.         tensor {
    23.           data_type: FP32
    24.           dims: -1
    25.           dims: 1
    26.         }
    27.         lod_level: 0
    28.       }
    29.     }
    30.     persistable: false
    31.   }
    32.   vars {
    33.     name: "square_error_cost_1.tmp_0"
    34.     type {
    35.       type: LOD_TENSOR
    36.       lod_tensor {
    37.         tensor {
    38.           data_type: FP32
    39.           dims: -1
    40.           dims: 1
    41.         }
    42.         lod_level: 0
    43.       }
    44.     }
    45.     persistable: false
    46.     ...

    从输出结果中可以看到，整个定义过程在框架内部转化为了一段ProgramDesc，以block idx为索引。本次线性回归模型中仅有1个block，ProgramDesc中也仅有block 0一段BlockDesc。BlockDesc中包含定义的 vars 和一系列的 ops，以输入x为例，python代码中定义 x 是一个数据类型为"float 32"的1维数据：

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

    在BlockDesc中，变量x被描述为：

    1. vars {
    2.     name: "x"
    3.     type {
    4.       type: LOD_TENSOR
    5.       lod_tensor {
    6.         tensor {
    7.           data_type: FP32
    8.           dims: -1
    9.           dims: 1
    10.         }
    11.         lod_level: 0
    12.       }
    13.     }
    14.     persistable: false

    在Fluid中所有的数据类型都为LoD-Tensor，对于不存在序列信息的数据（如此处的变量X），其lod_level=0。dims表示数据的维度，这里表示 x 的维度为[-1,1]，其中-1是batch的维度，无法确定具体数值时，Fluid 自动用 -1 占位。

    参数persistable表示该变量在整个训练过程中是否为持久化变量。

    创建Executor

    Fluid使用Executor来执行网络训练，Executor运行细节请参考Executor设计思想的介绍。作为使用者，实际并不需要了解内部机制。

    创建Executor只需调用 fluid.Executor(place) 即可，在此之前请您依据训练场所定义place变量：

    1.  #在CPU内执行训练
    2.  cpu = fluid.CPUPlace()
    3.  #创建Executor
    4.  exe = fluid.Executor(cpu)

    运行ExecutorFluid使用Executor.run来运行一段Program。

    正式进行网络训练前，需先执行参数初始化。其中 defalut_startup_program 中定义了创建模型参数，输入输出，以及模型中可学习参数的初始化等各种操作。

    1.  #参数初始化
    2.  exe.run(fluid.default_startup_program())

    由于传入数据与传出数据存在多列，因此 fluid 通过 feed 映射定义数据的传输数据，通过 fetch_list 取出期望结果：

    1. #开始训练
    2.  outs = exe.run(
    3.      feed={'x':train_data,'y':y_true},
    4.      fetch_list=[y_predict.name,avg_cost.name])

    上述代码段中定义了train_data传入x变量，y_true传入y变量，输出y的预测值和最后一轮cost值。输出结果为：

    1. [array([[1.5248038],
    2.        [3.0496075],
    3.        [4.5744114],
    4.        [6.099215 ]], dtype=float32), array([1.6935859], dtype=float32)]

    至此您已经了解了Fluid 内部的执行流程的核心概念，更多框架使用细节请参考使用指南相关内容，模型库中也为您提供了丰富的模型示例以供参考。