从学习 Paddle 开始学习深度学习

优点

灵活性：PaddlePaddle支持广泛的神经网络结构和优化算法，很容易配置复杂的模型，如基于注意力（Attention）机制或复杂的内存（Memory）连接的神经机器翻译模型。（Attention和Memory参考阅读： 深度学习和自然语言处理中的attention和memory机制 、 深度学习：推动NLP领域发展的新引擎 ）

高效：在PaddlePaddle的不同层面进行优化，以发挥异构计算资源的效率，包括计算、内存、架构和通信等。例如：

通过SSE/AVX内部函数，BLAS库（例如MKL，ATLAS，CUBLAS）或定制CPU/GPU内核优化的数学运算。

高度优化循环网络，以处理可变长度序列，无需填充（Padding）。

优化高维稀疏数据模型的本地和分布式训练。

可扩展性：PaddlePaddle很容易使用多个CPU/GPU和机器来加快你的训练，通过优化通信实现高吞吐量、高性能。

连接产品：PaddlePaddle易于部署。在百度，PaddlePaddle已经被部署到广大用户使用的产品或服务，包括广告点击率（CTR）的预测，大型图像分类，光学字符识别（OCR），搜索排名，计算机病毒检测，推荐等。

先做一个形象的比喻，Paddle就好比一台3D打印机，我们设计的神经网络就好比需要打印的模型，而我们的数据集就相当于原材料，把两者同时提供给这台打印机，经过一段时间就可以得到我们预期的产品--模型(Trained Model).

简言之，paddle 做的工作就是利用我们设计的模型和我们提供的数据 通过高性能的并行技术(CPU/GPU)来完成训练。

所以，我们在使用 Paddle 做深度学习时最基本的工作就是设计一个完美的模型并准备好数据。也就是要有以下几个文件:

trainer_config.py : 配置神经网络模型

data_provider.py : 数据提供

train.sh : 配置paddle训练的参数

安装

paddle提供了三种安装方式：

• Docker 安装，非常便捷，但必须在Docker环境下部署。
• deb 安装， 在Ubuntu下打包安装。
• 编译安装 文档上写的有点复杂，其实很简单，先处理完一些依赖库，比如 MKL／BLAS、protobuf 以及CUDA之类的(非GPU用户不用担心)。然后就是最基本的操作 make 之类了。每个用户都可以去尝试一下，可拓展性和可操作性都很强。

简单使用

数据

可以分为如下两步:

• 定义数据格式
• 通过生成器和yield方式提供数据

以手写字MNIST作为例子

数据样例:

5;0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.215686 0.533333 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.67451 0.992157 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.070588 0.886275 0.992157 0 0 0 0 0 0 0 0 0 0 0.192157 0.070588 0 0 0 0 0 0 0 0 0 0 0 0 0 0.670588 0.992157 0.992157 0 0 0 0 0 0 0 0 0 0.117647 0.933333 0.858824 0.313725 0 0 0 0 0 0 0 0 0 0 0 0.090196 0.858824 0.992157 0.831373 0 0 0 0 0 0 0 0 0 0.141176 0.992157 0.992157 0.611765 0.054902 0 0 0 0 0 0 0 0 0 0 0.258824 0.992157 0.992157 0.529412 0 0 0 0 0 0 0 0 0 0.368627 0.992157 0.992157 0.419608 0.003922 0 0 0 0 0 0 0 0 0 0.094118 0.835294 0.992157 0.992157 0.517647 0 0 0 0 0 0 0 0 0 0.603922 0.992157 0.992157 0.992157 0.603922 0.545098 0.043137 0 0 0 0 0 0 0 0.447059 0.992157 0.992157 0.956863 0.062745 0 0 0 0 0 0 0 0 0.011765 0.666667 0.992157 0.992157 0.992157 0.992157 0.992157 0.745098 0.137255 0 0 0 0 0 0.152941 0.866667 0.992157 0.992157 0.521569 0 0 0 0 0 0 0 0 0 0.070588 0.992157 0.992157 0.992157 0.803922 0.352941 0.745098 0.992157 0.945098 0.317647 0 0 0 0 0.580392 0.992157 0.992157 0.764706 0.043137 0 0 0 0 0 0 0 0 0 0.070588 0.992157 0.992157 0.776471 0.043137 0 0.007843 0.27451 0.882353 0.941176 0.176471 0 0 0.180392 0.898039 0.992157 0.992157 0.313725 0 0 0 0 0 0 0 0 0 0 0.070588 0.992157 0.992157 0.713725 0 0 0 0 0.627451 0.992157 0.729412 0.062745 0 0.509804 0.992157 0.992157 0.776471 0.035294 0 0 0 0 0 0 0 0 0 0 0.494118 0.992157 0.992157 0.968627 0.168627 0 0 0 0.423529 0.992157 0.992157 0.364706 0 0.717647 0.992157 0.992157 0.317647 0 0 0 0 0 0 0 0 0 0 0 0.533333 0.992157 0.984314 0.945098 0.603922 0 0 0 0.003922 0.466667 0.992157 0.988235 0.976471 0.992157 0.992157 0.788235 0.007843 0 0 0 0 0 0 0 0 0 0 0 0.686275 0.882353 0.364706 0 0 0 0 0 0 0.098039 0.588235 0.992157 0.992157 0.992157 0.980392 0.305882 0 0 0 0 0 0 0 0 0 0 0 0 0.101961 0.67451 0.321569 0 0 0 0 0 0 0 0.105882 0.733333 0.976471 0.811765 0.713725 0 0 0 0 0 0 0 0 0 0 0 0 0 0.65098 0.992157 0.321569 0 0 0 0 0 0 0 0 0 0.25098 0.007843 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0.94902 0.219608 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.968627 0.764706 0.152941 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.498039 0.25098 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;

数据可拆分为 label 和 784 的一个浮点数一维向量。

定义数据格式

在 data_provider.py中，有两种方式定义输入数据格式。

1、通过装饰器直接定义

@provider(input_types=[dense_vector(784), integer_value(10)],cache=CacheType.CACHE_PASS_IN_MEM)

定义了一个稠密的784维向量和一个范围从0～10的整数。

或者可以有如下定义

@provider(input_types={ 'pixel': dense_vector(784), 'label': integer_value(10) },cache=CacheType.CACHE_PASS_IN_MEM)

这样通过字典定义，可以方便标记和访问。

2、通过init_hook间接定义

def initialize(settings, **kwargs): s = dict() s['data'] = dense_vector(784) s['label'] = integer_value(10) settings.input_types = s @provider(init_hook=initialize,cache=CacheType.CACHE_PASS_IN_MEM)

通过init_hook方式更加灵活，可以动态修改输入的数据类型。另外，在init_hook方法中可以提前对settings进行配置或者动态添加一些参数，供后续工作使用。

关于两种方式的选择依据个人需求。

通过生成器和yield提供数据

yield方用法 具体查看Python文档。

定义好数据格式后，就可以开始结合那个@provider装饰器提供数据了。

@provider(input_types=[dense_vector(784), integer_value(10)],cache=CacheType.CACHE_PASS_IN_MEM) def process(settings, filename): with open(filename, 'r') as f: for line in f: label, pixel = line.split(';') pixels_str = pixel.split(' ') pixels_float = [] for each_pixel_str in pixels_str: pixels_float.append(float(each_pixel_str)) yield {"pixel": pixels_float, 'label': int(label)}

下面来介绍一下这个函数的一些内容：

• settings:这是一个全局的配置。里面可以访问一些变量，尤其是我们在init_hook中动态添加的属性。
• filename:显然，我们获取数据需要文件。这个file就是我们需要准备的训练集和测试文件。然而我们并不会主动去调用函数，一切调用交给了Paddle。那么我们怎么把数据提交给Paddle,Paddle又如何把数据以filename的方式交给上述的data_provider中的process 处理呢？

下面要引入另外几个特殊的文件

• train.list 一个简单的文本文件，将训练文件的目录写进去，比如 data/mnist.txt
• test.list 存放测试文件，内容同上。

这些文件处理好后，直接交给paddle,然后我们就可以在data_provider中对我们写进这两个文件里的训练文件和测试文件(data/mnist.txt) 进行读取操作了。

如上图：整个数据提供的顺序为：

1、将test.list 和 train.list 提供给 Paddle；

2、Paddle 将test.list 和 test.list中的数据文件(如MNIST.txt) 传给 data_provider.py；

3、data_provider.py将数据分离成对应的input_types传递给Paddle；

4、Paddle 将 数据向量 和 trainer_config.py中的模型结合起来训练并测试模型。

补充

input_types:

dense_vector 表示稠密的浮点数向量.

sparse_binary_vector 表示稀疏的零一向量，即大部分值为0，有值的位置只能取1.

sparse_vector 表示稀疏的向量，即大部分值为0，有值的部分可以是任何浮点数.

integer_value 表示整数标签。

cache

NO_CACHE :不缓存任何数据，每次都会从python端读取数据.

CACHE_PASS_IN_MEM :第一个pass会从python端读取数据，剩下的pass会直接从内存里 读取数据。

2、模型配置

还是以手写字为例。

在 trainer_config.py 中 开始配置模型, 模型配置分三部分。

• 数据提供
• 算法配置
• 网络配置

首先

from paddle.trainer_config_helpers import *

数据提供

define_py_data_sources2(     
train_list='train.list',     
test_list='test.list',     
module='data_provider',     
obj=process,     
args={        
 //   
 }
)

这个函数可以向paddle配置数据输入。

• module: Data Provider 的脚本文件名如data_provider对应 data_provider.py
• obj:对应数据提供函数(含有yield)
• args:为可选项，可以提供一些键值数据给init_hook函数作为函数调用的自定义参数。

算法配置

settings(     
batch_size=batch_size,     
learning_rate=0.001,     
learning_method=RMSPropOptimizer(),     
regularization=L2Regularization(8e-4)
)

这个用于配置深度神经网路的一些参数, 比如学习率,batch_size,以及正则化方法和学习方法。后面会对这些参数做详细的分析。

网络配置

• 输入数据获取

data = data_layer(name='data', size=784) label = data_layer(name='label', size=10)

• 神经网络配置

最基本网络模型 -- Fully Connected Layer 全连接层

# 第一个全连接隐层 有 64 个神经元 激活函数为 Sigmoid 函数 full_layer = fc_layer(input=data, size=64, act=SigmoidActivation()) # 第二个全连接隐层 有 32 个神经元 激活函数为 ReLU 函数 full_2_layer = fc_layer(input=full_layer, size=32, act=ReluActivation()) # 输出层 有10个神经元, 激活函数为Softmax output_layer = fc_layer(input=full_2_layer, size=10, act=SoftmaxActivation()) # 计算分类损失,并执行误差反向传播 cost = classfication_cost(input=output_layer, label=label) # 输出 output(cost)

output 一般作为模型配置的结束点，没有output会导致paddle报异常的错误。

神经网络Layer还有很多种类,如 LSTM,CNN,RNN以及各种pool。会在以后的介绍中提到。

3、训练

run shell scripts

cfg=trainer_config.py    
paddle train \    
--config=$cfg \ # 模型配置   
 --save_dir=$output_dir \ # 输出文件存储目录   
 --trainer_count=64 \ # GPU个数或者CPU个数    
--log_period=1000 \ #     
--dot_period=100 \ # 每一个period的输出dot的数量    
--num_passes=50 \ # 训练轮数    
--use_gpu=false \ # 是否使用GPU    
--show_parameter_stats_period=3000 \

run后paddle就会开始训练，深度学习的大门就开启了。

总结

Paddle 刚开源不久，确实存在一些问题，Baidu开发者也在不断更新完善(回复issue的速度贼快)。但熟悉后会觉得这个框架可用性很强。支持国产！