向往深度學(xué)習(xí)技術(shù)，可是深度學(xué)習(xí)框架太難學(xué)怎么辦？百度傾心打造飛槳框架高層 API，零基礎(chǔ)也能輕松上手深度學(xué)習(xí)，一起來看看吧？另：文末有福利，一定要看完呦~

高層 API，What

深度學(xué)習(xí)作為人工智能時(shí)代的核心技術(shù)，近年來無論學(xué)術(shù)、還是工業(yè)領(lǐng)域，均發(fā)揮著愈加重要的作用。然而，深度學(xué)習(xí)理論太難學(xué)，開發(fā)過程太復(fù)雜，又將許多人拒之于深度學(xué)習(xí)的門外。

為了簡化深度學(xué)習(xí)的學(xué)習(xí)過程、降低深度學(xué)習(xí)的開發(fā)難度，百度飛槳框架歷經(jīng)近一年的打磨，不斷地優(yōu)化深度學(xué)習(xí) API，并針對開發(fā)者的使用場景進(jìn)行封裝，在飛槳框架的最新版本中，推出了高低融合、科學(xué)統(tǒng)一的飛槳全新 API 體系。

飛槳框架將 API 分為兩種，基礎(chǔ) API 和高層 API。用制作披薩舉例，一般有兩種方法：一種是我們準(zhǔn)備好面粉、牛奶、火腿等食材，精心加工后，就能制作出美味的披薩；而第二種則是我們買商家預(yù)烤制的披薩餅，以及調(diào)好的餡料，直接加熱就可以吃到披薩了。

那么這兩種方法有什么區(qū)別呢？采用方法一，自己準(zhǔn)備食材，可以隨心所欲的搭配料理，制作醬料，從而滿足我們的不同口味，但是，這更適合「老司機(jī)」，如果是新人朋友，很有可能翻車；而方法二，用商家預(yù)烤制的披薩餅與餡料，直接加熱就可以非常快速的完成披薩的制作，而且味道會有保障；但是，相比于方法一，我們會少一些口味的選擇。

用框架來類比，基礎(chǔ) API 對應(yīng)方法一，高層 API 對應(yīng)方法二。使用基礎(chǔ) API，我們可以隨心所欲的搭建自己的深度學(xué)習(xí)模型，不會受到任何限制；而使用方法二，我們可以很快的實(shí)現(xiàn)模型，但是可能會少一些自主性。

但是，與制作披薩不同的是，飛槳框架可以做到真正的「魚與熊掌」可以兼得。因?yàn)楦邔?API 本身不是一個(gè)獨(dú)立的體系，它完全可以和基礎(chǔ) API 互相配合使用，做到高低融合，使用起來會更加便捷。使我們在開發(fā)過程中，既可以享受到基礎(chǔ) API 的強(qiáng)大，又可以兼顧高層 API 的快捷。

高層 API，All

飛槳框架高層 API 的全景圖如下：

從圖中可以看出，飛槳框架高層 API 由五個(gè)模塊組成，分別是數(shù)據(jù)加載、模型組建、模型訓(xùn)練、模型可視化和高階用法。針對不同的使用場景，飛槳框架提供了不同高層 API，從而降低開發(fā)難度，讓每個(gè)人都能輕松上手深度學(xué)習(xí)。

我們先通過一個(gè)深度學(xué)習(xí)中經(jīng)典的手寫數(shù)字分類任務(wù)，來簡單了解飛槳高層 API。然后再詳細(xì)的介紹每個(gè)模塊中所包含的 API。

importpaddle

frompaddle.vision.transforms importCompose， Normalize

frompaddle.vision.datasets importMNIST

importpaddle.nn asnn

# 數(shù)據(jù)預(yù)處理，這里用到了歸一化

transform = Compose（［Normalize（mean=［ 127.5］，

std=［ 127.5］，

data_format= ‘CHW’）］）

# 數(shù)據(jù)加載，在訓(xùn)練集上應(yīng)用數(shù)據(jù)預(yù)處理的操作

train_dataset = paddle.vision.datasets.MNIST（mode= ‘train’， transform=transform）

test_dataset = paddle.vision.datasets.MNIST（mode= ‘test’， transform=transform）

# 模型組網(wǎng)

mnist = nn.Sequential（

nn.Flatten，

nn.Linear（ 784， 512），

nn.ReLU，

nn.Dropout（ 0.2），

nn.Linear（ 512， 10））

# 模型封裝，用 Model 類封裝

model = paddle.Model（mnist）

# 模型配置：為模型訓(xùn)練做準(zhǔn)備，設(shè)置優(yōu)化器，損失函數(shù)和精度計(jì)算方式

model.prepare（optimizer=paddle.optimizer.Adam（parameters=model.parameters），

loss=nn.CrossEntropyLoss，

metrics=paddle.metric.Accuracy）

# 模型訓(xùn)練，

model.fit（train_dataset，

epochs= 10，

batch_size= 64，

verbose= 1）

# 模型評估，

model.evaluate（test_dataset， verbose= 1）

# 模型保存，

model.save（ ‘model_path’）

從示例可以看出，在數(shù)據(jù)預(yù)處理、數(shù)據(jù)加載、模型組網(wǎng)、模型訓(xùn)練、模型評估、模型保存等場景，高層 API 均可以通過 1~3 行代碼實(shí)現(xiàn)。相比傳統(tǒng)方法動輒幾十行的代碼量，高層 API 只需要十來行代碼，就能輕松完成一個(gè) MNIST 分類器的實(shí)現(xiàn)。以極少的代碼就能達(dá)到與基礎(chǔ) API 同樣的效果，大幅降低了深度學(xué)習(xí)的學(xué)習(xí)門檻。

如果是初次學(xué)習(xí)深度學(xué)習(xí)框架，使用飛槳高層 API，可以「凡爾賽」說出「好煩哦，飛槳高層 API 怎么這么快就完成開發(fā)了，我還想多寫幾行代碼呢！」

高層 API，How

接下來以 CV 任務(wù)為例，簡單介紹飛槳高層 API 在不同場景下的使用方法。

本示例的完整代碼可以在 AI Studio 上獲取，無需準(zhǔn)備任何軟硬件環(huán)境即可直接在線運(yùn)行代碼，相當(dāng)方便哦：https://aistudio.baidu.com/aistudio/projectdetail/1243085

一、數(shù)據(jù)預(yù)處理與數(shù)據(jù)加載

對于數(shù)據(jù)加載，在一些典型的任務(wù)中，我們完全可以使用飛槳框架內(nèi)置的數(shù)據(jù)集，完成數(shù)據(jù)的加載。飛槳框架將常用的數(shù)據(jù)集作為領(lǐng)域 API，集成在 paddle.vision.datasets 目錄中，包含了 CV 領(lǐng)域中常見的 MNIST、Cifar、Flowers 等數(shù)據(jù)集。

而在數(shù)據(jù)預(yù)處理場景中，飛槳框架提供了 20 多種常見的圖像預(yù)處理 API，方便我們快速實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)，如實(shí)現(xiàn)圖像的色調(diào)、對比度、飽和度、大小等各種數(shù)字圖像處理的方法。圖像預(yù)處理 API 集成在 paddle.vision.transforms 目錄中，使用起來非常方便。只需要先創(chuàng)建一個(gè)數(shù)據(jù)預(yù)處理的 transform，在其中存入需要進(jìn)行的數(shù)據(jù)預(yù)處理方法，然后在數(shù)據(jù)加載的過程中，將 transform 作為參數(shù)傳入即可。

此外，如果我們需要加載自己的數(shù)據(jù)集，使用飛槳框架標(biāo)準(zhǔn)數(shù)據(jù)定義與數(shù)據(jù)加載 API paddle.io.Dataset 與 paddle.io.DataLoader，就可以「一鍵」完成數(shù)據(jù)集的定義與數(shù)據(jù)的加載。這里通過一個(gè)案例來展示如何利用 Dataset 定義數(shù)據(jù)集，示例如下：

frompaddle.io importDataset

classMyDataset（Dataset）：

“”“

步驟一：繼承 paddle.io.Dataset 類

”“”

def__init__（self）：

“”“

步驟二：實(shí)現(xiàn)構(gòu)造函數(shù)，定義數(shù)據(jù)讀取方式，劃分訓(xùn)練和測試數(shù)據(jù)集

”“”

super（MyDataset， self）.__init__

self.data = ［

［ ‘traindata1’， ‘label1’］，

［ ‘traindata2’， ‘label2’］，

［ ‘traindata3’， ‘label3’］，

［ ‘traindata4’， ‘label4’］，

］

def__getitem__（self， index）：

“”“

步驟三：實(shí)現(xiàn)__getitem__方法，定義指定 index 時(shí)如何獲取數(shù)據(jù)，并返回單條數(shù)據(jù)（訓(xùn)練數(shù)據(jù)，對應(yīng)的標(biāo)簽）

”“”

data = self.data［index］［ 0］

label = self.data［index］［ 1］

returndata， label

def__len__（self）：

“”“

步驟四：實(shí)現(xiàn)__len__方法，返回?cái)?shù)據(jù)集總數(shù)目

”“”

returnlen（self.data）

# 測試定義的數(shù)據(jù)集

train_dataset = MyDataset

print（ ‘=============train dataset=============’）

fordata， label intrain_dataset：

print（data， label）

只需要按照上述規(guī)范的四個(gè)步驟，我們就實(shí)現(xiàn)了一個(gè)自己的數(shù)據(jù)集。然后，將 train_dataset 作為參數(shù)，傳入到 DataLoader 中，即可獲得一個(gè)數(shù)據(jù)加載器，完成訓(xùn)練數(shù)據(jù)的加載。

【Tips：對于數(shù)據(jù)集的定義，飛槳框架同時(shí)支持 map-style 和 iterable-style 兩種類型的數(shù)據(jù)集定義，只需要分別繼承 paddle.io.Dataset 和 paddle.io.IterableDataset 即可?！?/p>

二、網(wǎng)絡(luò)構(gòu)建

在網(wǎng)絡(luò)構(gòu)建模塊，飛槳高層 API 與基礎(chǔ) API 保持一致，統(tǒng)一使用 paddle.nn 下的 API 進(jìn)行組網(wǎng)。paddle.nn 目錄下包含了所有與模型組網(wǎng)相關(guān)的 API，如卷積相關(guān)的 Conv1D、Conv2D、Conv3D，循環(huán)神經(jīng)網(wǎng)絡(luò)相關(guān)的 RNN、LSTM、GRU 等。

對于組網(wǎng)方式，飛槳框架支持 Sequential 或 SubClass 進(jìn)行模型組建。Sequential 可以幫助我們快速的組建線性的網(wǎng)絡(luò)結(jié)構(gòu)，而 SubClass 支持更豐富靈活的網(wǎng)絡(luò)結(jié)構(gòu)。我們可以根據(jù)實(shí)際的使用場景，來選擇最合適的組網(wǎng)方式。如針對順序的線性網(wǎng)絡(luò)結(jié)構(gòu)可以直接使用 Sequential ，而如果是一些比較復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，我們使用 SubClass 的方式來進(jìn)行模型的組建，在 __init__ 構(gòu)造函數(shù)中進(jìn)行 Layer 的聲明，在 forward 中使用聲明的 Layer 變量進(jìn)行前向計(jì)算。

下面就來分別看一下 Sequential 與 SubClass 的實(shí)例。

1、Sequential

對于線性的網(wǎng)絡(luò)模型，我們只需要按網(wǎng)絡(luò)模型的結(jié)構(gòu)順序，一層一層的加到 Sequential 后面即可，具體實(shí)現(xiàn)如下：

# Sequential 形式組網(wǎng)

mnist = nn.Sequential（

nn.Flatten，

nn.Linear（784， 512），

nn.ReLU，

nn.Dropout（0.2），

nn.Linear（512， 10）

）

2、SubClass

使用 SubClass 進(jìn)行組網(wǎng)的實(shí)現(xiàn)如下：

# SubClass 方式組網(wǎng)

classMnist（ nn. Layer）：

def__init__（ self） ：

super（Mnist， self）.__init_ _

self.flatten = nn.Flatten

self.linear_1 = nn.Linear（ 784， 512）

self.linear_2 = nn.Linear（ 512， 10）

self.relu = nn.ReLU

self.dropout = nn.Dropout（ 0. 2）

defforward（ self， inputs） ：

y = self.flatten（inputs）

y = self.linear_1（y）

y = self.relu（y）

y = self.dropout（y）

y = self.linear_2（y）

returny

?

上述的 SubClass 組網(wǎng)的結(jié)果與 Sequential 組網(wǎng)的結(jié)果完全一致，可以明顯看出，使用 SubClass 組網(wǎng)會比使用 Sequential 更復(fù)雜一些。不過，這帶來的是網(wǎng)絡(luò)模型結(jié)構(gòu)的靈活性。我們可以設(shè)計(jì)不同的網(wǎng)絡(luò)模型結(jié)構(gòu)來應(yīng)對不同的場景。

3、飛槳框架內(nèi)置模型

除了自定義模型結(jié)構(gòu)外，飛槳框架還「貼心」的內(nèi)置了許多模型，真正的一行代碼實(shí)現(xiàn)深度學(xué)習(xí)模型。目前，飛槳框架內(nèi)置的模型都是 CV 領(lǐng)域領(lǐng)域的模型，都在 paddle.vision.models 目錄下，包含了常見的 vgg 系列、resnet 系列等模型。使用方式如下：

import paddle

from paddle.vision.models import resnet18

# 方式一： 一行代碼直接使用

resnetresnet = resnet18

# 方式二： 作為主干網(wǎng)絡(luò)進(jìn)行二次開發(fā)

classFaceNet（ paddle. nn. Layer）：

def__init__（ self， num_keypoints= 15， pretrained=False） ：

super（FaceNet， self）.__init_ _

self.backbone = resnet18（pretrained）

self.outLayer1 = paddle.nn.Linear（ 1000， 512）

self.outLayer2 = paddle.nn.Linear（ 512， num_keypoints* 2）

defforward（ self， inputs） ：

out = self.backbone（inputs）

out = self.outLayer1（out）

out = self.outLayer2（out）

returnout

三、模型可視化

在我們完成模型的構(gòu)建后，有時(shí)還需要可視化模型的網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)，只要我們用 Model 進(jìn)行模型的封裝后，然后調(diào)用 model.summary 即可實(shí)現(xiàn)網(wǎng)絡(luò)模型的可視化，具體如下：

mnist = nn.Sequential（

nn.Flatten，

nn.Linear（784， 512），

nn.ReLU，

nn.Dropout（0.2），

nn.Linear（512， 10））

# 模型封裝，用 Model 類封裝

model = paddle.Model（mnist）

model.summary

其輸出如下：

---------------------------------------------------------------------------

Layer （ type） Input Shape Output Shape Param #

===========================================================================

Flatten -795［［32， 1， 28， 28］］［ 32， 784］ 0

Linear -5［［32， 784］］［ 32， 512］ 401， 920

ReLU -3［［32， 512］］［ 32， 512］ 0

Dropout -3［［32， 512］］［ 32， 512］ 0

Linear -6［［32， 512］］［ 32， 10］ 5， 130

===========================================================================

Total params： 407， 050

Trainable params： 407， 050

Non-trainable params： 0

---------------------------------------------------------------------------

Input size （MB）： 0.10

Forward/backward pass size （MB）： 0.57

Params size （MB）： 1.55

Estimated Total Size （MB）： 2.22

---------------------------------------------------------------------------

{ ‘total_params’： 407050， ‘trainable_params’： 407050}

?

Model.summary 不僅會給出每一層網(wǎng)絡(luò)的形狀，還會給出每層網(wǎng)絡(luò)的參數(shù)量與模型的總參數(shù)量，非常方便直觀的就可以看到模型的全部信息。

四、模型訓(xùn)練

1、使用高層 API 在全部數(shù)據(jù)集上進(jìn)行訓(xùn)練

過去常常困擾深度學(xué)習(xí)開發(fā)者的一個(gè)問題是，模型訓(xùn)練的代碼過于復(fù)雜，常常要寫好多步驟，才能使程序運(yùn)行起來，冗長的代碼使許多開發(fā)者望而卻步。

現(xiàn)在，飛槳高層 API 將訓(xùn)練、評估與預(yù)測 API 都進(jìn)行了封裝，直接使用 Model.prepare、Model.fit、Model.evaluate、Model.predict就可以完成模型的訓(xùn)練、評估與預(yù)測。

對比傳統(tǒng)框架動輒一大塊的訓(xùn)練代碼。使用飛槳高層 API，可以在 3-5 行內(nèi)，完成模型的訓(xùn)練，極大的簡化了開發(fā)的代碼量，對初學(xué)者開發(fā)者非常友好。具體代碼如下：

# 將網(wǎng)絡(luò)結(jié)構(gòu)用 Model 類封裝成為模型

model = paddle.Model（mnist）

# 為模型訓(xùn)練做準(zhǔn)備，設(shè)置優(yōu)化器，損失函數(shù)和精度計(jì)算方式

model.prepare（optimizer=paddle.optimizer.Adam（parameters=model.parameters），

loss=paddle.nn.CrossEntropyLoss，

metrics=paddle.metric.Accuracy）

# 啟動模型訓(xùn)練，指定訓(xùn)練數(shù)據(jù)集，設(shè)置訓(xùn)練輪次，設(shè)置每次數(shù)據(jù)集計(jì)算的批次大小，設(shè)置日志格式

model.fit（train_dataset，

epochs=10，

batch_size=64，

verbose=1）

# 啟動模型評估，指定數(shù)據(jù)集，設(shè)置日志格式

model.evaluate（test_dataset， verbose=1）

# 啟動模型測試，指定測試集

Model.predict（test_dataset）

2、使用高層 API 在一個(gè)批次的數(shù)據(jù)集上訓(xùn)練、驗(yàn)證與測試

有時(shí)我們需要對數(shù)據(jù)按 batch 進(jìn)行取樣，然后完成模型的訓(xùn)練與驗(yàn)證，這時(shí)，可以使用 train_batch、eval_batch、predict_batch 完成一個(gè)批次上的訓(xùn)練、驗(yàn)證與測試，具體如下：

# 模型封裝，用 Model 類封裝

model = paddle.Model（mnist）

# 模型配置：為模型訓(xùn)練做準(zhǔn)備，設(shè)置優(yōu)化器，損失函數(shù)和精度計(jì)算方式

model.prepare（optimizer=paddle.optimizer.Adam（parameters=model.parameters），

loss=nn.CrossEntropyLoss，

metrics=paddle.metric.Accuracy）

# 構(gòu)建訓(xùn)練集數(shù)據(jù)加載器

train_loader = paddle.io.DataLoader（train_dataset， batch_size= 64， shuffle= True）

# 使用 train_batch 完成訓(xùn)練

forbatch_id， data inenumerate（train_loader）：

model.train_batch（［data［ 0］］，［data［ 1］］）

# 構(gòu)建測試集數(shù)據(jù)加載器

test_loader = paddle.io.DataLoader（test_dataset， places=paddle.CPUPlace， batch_size= 64， shuffle= True）

# 使用 eval_batch 完成驗(yàn)證

forbatch_id， data inenumerate（test_loader）：

model.eval_batch（［data［ 0］］，［data［ 1］］）

# 使用 predict_batch 完成預(yù)測

forbatch_id， data inenumerate（test_loader）：

model.predict_batch（［data［ 0］］）

五、高階用法

除此之外，飛槳高層 API 還支持一些高階的玩法，如自定義 Loss、自定義 Metric、自定義 Callback 等等。

自定義 Loss 是指有時(shí)我們會遇到特定任務(wù)的 Loss 計(jì)算方式在框架既有的 Loss 接口中不存在，或算法不符合自己的需求，那么期望能夠自己來進(jìn)行 Loss 的自定義。

自定義 Metric 和自定義 Loss 的場景一樣，如果遇到一些想要做個(gè)性化實(shí)現(xiàn)的操作時(shí)，我們也可以來通過框架完成自定義的評估計(jì)算方法。

自定義 Callback 則是可以幫助我們收集訓(xùn)練時(shí)的一些參數(shù)以及數(shù)據(jù)，由于 Model.fit封裝了訓(xùn)練過程，如果我們需要保存訓(xùn)練時(shí)的 loss、metric 等信息，則需要通過 callback 參數(shù)收集這部分信息。

更多更豐富的玩法，可以掃描關(guān)注文末的二維碼獲取~

高層 API，Next

上文以 CV 任務(wù)為例，介紹了飛槳框架高層 API 的使用指南。后續(xù)，飛槳框架還計(jì)劃推出 NLP 領(lǐng)域?qū)Ｓ玫臄?shù)據(jù)預(yù)處理模塊，如對數(shù)據(jù)進(jìn)行 padding、獲取數(shù)據(jù)集詞表等；在組網(wǎng)方面，也會實(shí)現(xiàn) NLP 領(lǐng)域中組網(wǎng)專用的 API，如組網(wǎng)相關(guān)的 sequence_mask，評估指標(biāo)相關(guān)的 BLEU 等；最后，針對 NLP 領(lǐng)域中的神器 transformer，我們也會對其進(jìn)行特定的優(yōu)化；待這些功能上線后，我們會第一時(shí)間告訴大家，敬請期待吧~

高層 API，Where

看完前面飛槳高層 API 的使用介紹，是不是有種躍躍欲試的沖動呀？

體驗(yàn)方式一：在線體驗(yàn)

無需準(zhǔn)備任何軟硬件環(huán)境，直接訪問以下地址，即可在線跑代碼看效果：https://aistudio.baidu.com/aistudio/projectdetail/1243085

體驗(yàn)方式二：本地體驗(yàn)

如果你還想在自己本地電腦上體驗(yàn)，那需要確保本地電腦上已成功安裝飛槳開源框架 2.0。

下面介紹飛槳開源框架 2.0 的安裝方法，可以參考下面的命令，直接使用 pip 安裝。安裝后，就可以開始使用高層 API 啦。

# CPU 版

$ pip3 install paddlepaddle== 2.0.0rc0 -i https： //mirror.baidu.com/pypi/simple

# GPU 版

$ pip3 install paddlepaddle_gpu== 2.0.0rc0 -i https： //mirror.baidu.com/pypi/simple

高層 API，You