1. 如何描述机器学习模型和优化过程？
   • 完备自洽，表达能力足以支持潜在出现的各种计算需求
2. 如何充分利用资源高效计算？
   • 支持异步设备、多卡、分布式计算
   • 降低计算/计算优化的开发成本
   • ……

目标

• 提高对各类机器学习任务的描述能力：能够描述潜在出现的任意机器学习模型。
• 代码结构逻辑清晰，各模块充分解耦：内外部贡献者能够专注于自己所需的功能模块，基于框架进行再次开发。
• 从设计上，留下技术优化的空间和潜力。
• 代码解耦后降低多设备支持、计算优化等的开发成本。
• 在统一的设计理念下，实现自动可伸缩，自动容错的分布式计算。

• 编译器式的执行流程，区分编译时和运行时

• ==定义前向计算==

  x = fluid.layers.data(name='x',shape=[13], dtype='float32')
  y_predict = fluid.layers.fc(input=x, size=1, act=None)
  y = fluid.layers.data(name='y', shape=[1], dtype='float32')
  cost = fluid.layers.square_error_cost(input=y_predict, label=y)
  avg_cost = fluid.layers.mean(x=cost)

• ==添加反向、正则、优化==

  learning_rate = 0.01
  sgd_optimizer = fluid.optimizer.SGD(learning_rate)
  sgd_optimizer.minimize(avg_cost)

• 在科学计算领域，计算图是一种描述计算的经典方式。下图展示了从前向计算图（蓝色）开始，通过添加反向（红色）和优化算法相关（绿色）操作，构建出整个计算图的过程：

• Fluid ==使用Program而不是计算图==来描述模型和优化过程。Program由Block、Operator和Variable构成，相关概念会在后文详细展开。
• 编译时 Fluid 接受前向计算（这里可以先简单的理解为是一段有序的计算流）Program，为这段前向计算按照：前向 -> 反向 -> 梯度 clip -> 正则 -> 优化 的顺序，添加相关 Operator和Variable到Program到完整的计算。

• ==读入数据==

  train_reader = paddle.batch(
      paddle.reader.shuffle(paddle.dataset.uci_housing.train(), buf_size=500),
      batch_size=20)
  feeder = fluid.DataFeeder(place=place, feed_list=[x, y])

• ==定义执行程序的设备==

  place = fluid.CPUPlace()
  feeder = fluid.DataFeeder(place=place,feed_list=[x, y])

• ==创建执行器（Executor），执行初始化 Program和训练Program==

  exe = fluid.Executor(place)
  exe.run(fluid.default_startup_program())
  PASS_NUM = 100
  for pass_id in range(PASS_NUM):
      for data in train_reader():
          avg_loss_value, = exe.run(fluid.default_main_program(),
                                    feed=feeder.feed(data),
                                    fetch_list=[avg_cost])
          print(avg_loss_value)

总结：编译时

用户编写一段Python程序，描述模型的前向计算

1. 创建变量描述 VarDesc
2. 创建operators的描述 OpDesc
3. 创建operators的属性
4. 推断变量的类型和形状，进行静态检查：inferShape
5. 规划变量的内存复用
6. 创建反向计算
7. 添加优化相关的Operators
8. （可选）添加多卡/多机相关的Operator，生成在多卡/多机上运行的程序

总结：运行时

执行规划好的计算

1. 创建Executor
2. 为将要执行的一段计算，在层级式的Scope空间中创建Scope
3. 创建Block，依次执行Block

Figure. 编译时运行时概览

• 顺序执行

  x = fluid.layers.data(name='x',shape=[13], dtype='float32')
  y_predict = fluid.layers.fc(input=x, size=1, act=None)
  y = fluid.layers.data(name='y', shape=[1], dtype='float32')
  cost = fluid.layers.square_error_cost(input=y_predict, label=y)

• 条件分支: swith、ifelse

  a = fluid.Var(10)
  b = fluid.Var(0)
  
  switch = fluid.switch()
  with switch.block():
     with switch.case(fluid.less_equal(a, 10)):
         fluid.print("Case 1")
     with switch.case(fluid.larger(a, 0)):
         fluid.print("Case 2")
     with switch.default():
         fluid.print("Case 3")

A Lisp cond form may be compared to a continued if-then-else as found in many algebraic programming languages.

• 循环：while

  d0 = layers.data("d0", shape=[10], dtype='float32')
  data_array = layers.array_write(x=d0, i=i)
  array_len = layers.fill_constant(shape=[1],dtype='int64', value=3)
  
  cond = layers.less_than(x=i, y=array_len)
  while_op = layers.While(cond=cond)
  with while_op.block():
      d = layers.array_read(array=data_array, i=i)
      i = layers.increment(x=i, in_place=True)
      layers.array_write(result, i=i, array=d)
      layers.less_than(x=i, y=array_len, cond=cond)

• 完整实例请点查看 ->

• beam search ->

总结

1. 用户层提供的描述语法具有完备性、自洽性，有能力支持对复杂计算过程描述
2. 使用方式和核心概念可以类比编程语言，认知能够直接迁移
3. 能够支持：定义问题，逐步求解

• VarDesc + TensorDesc + OpDesc -> BlockDesc -> ProgramDesc

  • https://github.com/PaddlePaddle/Paddle/blob/develop/paddle/fluid/framework/framework.proto

• 什么是 Fluid Program

  • 在Fluid中，一个神经网络任务（训练/预测）被描述为一段Program
  • Program包含对Variable（数据）和 Operator（对数据的操作）的描述
  • Variable 和 Operator 被组织为多个可以嵌套的Block，构成一段完整的Fluid Program

编译阶段最终，经过 Transpiler 的执行规划，变换处理，生成使用protobuf序列化后的ProgramDesc。可以发送给多卡或者网络中的其它计算节点执行

1. 接受一段ProgramDesc作为输入，生成一段新的ProgramDesc

   • Memory optimization transpiler：向原始ProgramDesc 中插入 FreeMemoryOps，在一次迭代优化结束前提前释放内存，使得能够维持较小的 memory footprint

   • Distributed training transpiler：将原始的ProgramDesc中转化为对应的分布式版本，生成两段新的ProgramDesc:

     1. trainer进程执行的ProgramDesc
     2. parameter server执行的ProgramDesc

2. ==WIP==: 接受一段ProgramDesc，生成可直接被gcc, nvcc, icc等编译的代码，编译后得到可执行文件

• default_startup_program：创建可学习参数，对参数进行初始化

• default_main_program：由用户定义的模型，包括了前向、反向、优化及所有必要的计算

• 打印可读的 Program

  from paddle.v2.fluid import debuger
  print debuger.pprint_program_codes(framework.default_main_program().desc)

variable in block 0	variable in block 0

• 数据相关

  • Tensor / LoDTensor / Variable
  • Scope

• 计算相关

  • Block
  • Kernel、OpWithKernel、OpWithoutKernel

• 执行相关 ：Executor

• Tensor 是$n$-dimensional arry的推广，LoDTensor是在Tensor基础上附加了序列信息
• Fluid中输入、输出，网络中的可学习参数全部统一使用LoDTensor（n-dimension array）表示
• 一个mini-batch输入数据是一个LoDTensor
  • 在Fluid中，RNN 处理变长序列无需padding，得益于 LoDTensor表示
  • 可以简单将 LoD 理解为：std::vector<std::vector<int>>
  • 对非序列数据，LoD 信息为空

• 图(a)的LoD 信息

  [0, 5, 8, 10, 14]

• 图(b)的 LoD 信息

  [[0, 5, 8, 10, 14] /*level=1*/, [0, 2, 3, 5, 7, 8, 10, 13, 14] /*level=2*/]

1. Block 是一个实现层的概念，不在应用层暴露给用户。目前用户无法自行创建并利用Block，用户能够感知的只有Program这个概念。
2. 逻辑上，可以将 Block 类比为编程语言中的大括号：定义了一段作用域，其中运行一段代码
3. Executor会为每一个Block创建一个Scope，Block是可嵌套的，因此Scope也是可嵌套的

• operator 无状态，Operator的核心是==Run==方法
• 一个operator可以注册多个kernel
• operator 可以无 kernel：while_op 、ifelse op

• 为异构设备提供统一的内存分配、回收接口
• 最小化管理内存所需的时间，最小化管理开销
• 减少内存碎片
• 将内存管理与计算（Operators/Kernels）完全剥离
• 统一内存管理是内存优化的基础

• 内存管理模块向上层应用逻辑提供三个基础接口：

  template <typename Place>
  void* Alloc(Place place, size_t size);
  
  template <typename Place>
  void Free(Place place, void* ptr);
  
  template <typename Place>
  size_t Used(Place place);
  
  struct Usage : public boost::static_visitor<size_t> {
    size_t operator()(const platform::CPUPlace& cpu) const;
    size_t operator()(const platform::CUDAPlace& gpu) const;
  };

• 模板参数 Place 指示内存分配发生的设备
• 实现时，需特化支持的 Place， 提供以上三个接口的实现

内存管理模块可以理解为由以下两部分构成：

1. SystemAllocator：实际从物理设备上分配、释放的内存的接口
2. BuddyAllocator：内存管理算法

• SystemAllocator 是实现物理内存分配、回收的基类

  • 不同设备上的内存分配和回收终将转化为标准接口调用
  • 为不同设备实现MemoryAllocator，继承自SystemAllocator

  class SystemAllocator {
   public:
    virtual ~SystemAllocator() {}
    virtual void* Alloc(size_t& index, size_t size) = 0;
    virtual void Free(void* p, size_t size, size_t index) = 0;
    virtual bool UseGpu() const = 0;
  };

class CPUAllocator : public SystemAllocator {
 public:
  virtual void* Alloc(size_t& index, size_t size);
  virtual void Free(void* p, size_t size, size_t index);
  virtual bool UseGpu() const;
};

#ifdef PADDLE_WITH_CUDA
class GPUAllocator : public SystemAllocator {
 public:
  virtual void* Alloc(size_t& index, size_t size);
  virtual void Free(void* p, size_t size, size_t index);
  virtual bool UseGpu() const;
 private:
  size_t gpu_alloc_size_ = 0;
  size_t fallback_alloc_size_ = 0;
};
#endif

• CPUAllocator和GPUAllocator分别继承自SystemAllocator，分别调用相应的标准库函数实现物理内存的分配和释放。
• 一旦大块、连续的物理内存分配之后，将通过内存管理算法实现内存的按块分配、回收、重用等。

• CPU 内存的分配提供两种选项：

  1. non-pinned memory：可分页内存
  2. pinned memory：页锁定内存
     • 分配过大的页锁定内存有可能因为系统可使用的分页内存减少，影响系统性能，默认CPU下分配的是可分页内存

• 通过gflags进行设置一次性分配内存的大小以及是否使用页锁定内存。

  DEFINE_bool(use_pinned_memory, true, "If set, allocate cpu pinned memory.");
  DEFINE_double(fraction_of_cpu_memory_to_use, 1,
                "Default use 100% of CPU memory for PaddlePaddle,"
                "reserve the rest for page tables, etc");

• 通过 cudaMalloc 分配GPU显存

• GPUAllocator::Alloc 首先会计算指定GPU device上的可用显存

  • 如果可用显存小于请求分配大小，调用cudaMalloc进行分配
  • 如果可用显存不足，目前会报错退出。

• 通过gflags控制GPU下一次性分配显存的大小：

  DEFINE_double(fraction_of_gpu_memory_to_use, 0.92,
                "Default use 92% of GPU memory for PaddlePaddle,"
                "reserve the rest for page tables, etc");

• Memory Arena：一次性分配大块连续内存，之后会基于这块内存进行内存管理：动态分配、释放、重用内存块。
• 伙伴内存分配：
  • 将内存划分为 2 的幂次方个分区，使用 best-fit 方法来分配内存请求。
  • 当释放内存时，检查 buddy 块，查看相邻的内存块是否也已被释放。如果是，将内存块合并，以最小化内存碎片。
  • 分配的内存在物理内存的自然边界对齐，提高内存访问效率。
  • 算法的时间效率高，单使用 best-fit 方法的缘故，会产生一定的内存浪费

• BuddyAllocator 是一个单例，每个设备（如： GPU/CPU(0)/GPU(1)） 拥有一个BuddyAllocator
• BuddyAllocator 内部拥有一个私有成员变量 SystemAllocator
• 当请求的内存超过BuddyAllocator管理的空余内存时，将会调用SystemAllocator去指定的设备上分配物理内存

• 对上层应用，统一通过BuddyAllocator来实现内存的分配、释放以及用量查询

  template <>
  void* Alloc<platform::CPUPlace>(platform::CPUPlace place, size_t size) {
    VLOG(10) << "Allocate " << size << " bytes on " << platform::Place(place);
    void* p = GetCPUBuddyAllocator()->Alloc(size);
    VLOG(10) << "  pointer=" << p;
    return p;
  }
  
  template <>
  void Free<platform::CPUPlace>(platform::CPUPlace place, void* p) {
    VLOG(10) << "Free pointer=" << p << " on " << platform::Place(place);
    GetCPUBuddyAllocator()->Free(p);
  }
  
  template <>
  size_t Used<platform::CPUPlace>(platform::CPUPlace place) {
    return GetCPUBuddyAllocator()->Used();
  }

• step 1：添加Place类型，由用户实现添加到框架

  • 可以将Place类型理解为一个整数加上一个枚举型，包括：设备号 + 设备类型

  

• DeviceContext

  • 不同的Place会对应一个相应的DeviceContext，用于组织管理与设备相关的信息
    • 例如，GpuDeviceContext中会管理Cuda stream
  • 目前实现中一些特殊的库也会对应有自己的DeviceContext：例如：

    class MKLDNNDeviceContext : public CPUDeviceContext {……}

  • 每种设备对应的DeviceContext需要管理的内容不尽相同，视具体需求来实现

• step 2: 增加KernelType，为相应的KernelType注册Kernel对象，由用户实现注册给框架 可以按照：

  1. Place 执行设备
  2. DataType 执行数据类型 FP32/FP64/INT32/INT64
  3. Memory layout： 运行时 Tensor 在内存中的排布格式 NCHW、 NHWC
  4. 使用的库

  来区分Kernel，为同一个operator注册多个 Kernel。

  struct OpKernelType {
    proto::DataType data_type_;
    DataLayout data_layout_;
    platform::Place place_;
    LibraryType library_type_;
  }

step 3: 运行时的 KernelType 推断和Kernel切换，按需要修改Kernel推断和Kernel切换规则

• Expected Kernel：期待调用的Kernel：由（1）Place和计算精度决定；或（2）用户在配置中显示指定使用的计算库，如cudnn、mkldnn等。
• Actual Kernel：运行时从Operator的输入（Variable）可以推断出实际需要的KernelType
• 当Expected Kernel和Actual Kernel不一致的时候，框架会插入data_transformer或者data_layerout_transform等，保证Expected Kernel可以执行，包括：
  • CPUPlace -> GPUPlace ：跨设备内存复制
  • NCHW -> nChw8c ：Layout转换
  • FP32 -> FP16 ：精度转换 尚未支持
  • ……
• 以上过程实现在OperatorWithKernel类的Run方法中 ->

• 循环执行一段Program，直到条件operator判断循环条件不满足时终止循环

• while_op 的特殊之处：

  1. while_op 没有 kernel
  2. while_op 拥有自己的Block，会形成一段嵌套的Block
  3. ==while_op 内部创建了一个 Executor，来循环执行Block==

• while_op 输入输出 ： LoDTensorArray

  namespace paddle {
  namespace framework {
  using LoDTensorArray = std::vector<LoDTensor>;
  }
  }

  • 每一次循环，从原始输入中“切出”一个片段
  • LoDTensorArray 在Python端暴露，是Fluid支持的基础数据结构之一，用户可以直接创建并使用

void Run(const framework::Scope &scope,
         const platform::Place &dev_place) const override {
  PADDLE_ENFORCE_NOT_NULL(scope.FindVar(Input(kCondition)));
  auto &cond = scope.FindVar(Input(kCondition))->Get<LoDTensor>();
  PADDLE_ENFORCE_EQ(cond.dims(), paddle::framework::make_ddim({1}));

  framework::Executor executor(dev_place);
  auto *block = Attr<framework::BlockDesc *>(kStepBlock);

  auto *program = block->Program();
  auto step_scopes =
      scope.FindVar(Output(kStepScopes))->GetMutable<StepScopeVar>();

  while (cond.data<bool>()[0]) {
    auto &current_scope = scope.NewScope();
    step_scopes->push_back(&current_scope);
    executor.Run(*program, &current_scope, block->ID(),
                   false /*create_local_scope*/);
  }
}

1. 用户可以自定义在一个时间步之内的计算, 框架接受序列输入数据，在其上循环调用用户定义的单步计算
2. 可学习参数在多个时间步之间共享
3. dynamicRNN 由 while_op 实现
4. 如果dynamicRNN中定义了memory，将会构成一个循环神经网络，否则其行为就等于在输入序列上循环调用预定义的单步计算

• dynamicRNN 中的重要元素
  1. step input: dynamicRNN 每个时间步的输入
  2. step function: 用户定义的单步计算
  3. memory: 用于形成循环连接
  4. external/static memory：单步计算的每一步都可以全部读取到的外部输入

dynamicRNN中memory的行为非常类似于 C++ 中的引用变量

• memory “指向” 一个operator的输出变量，记作： A
• memory 可以被 LoDTensor 初始化（当LoD信息为空时，为非序列，否则为序列）,默认memory被初始化为零
• memory 在 operator A 前向计算之后，进行前向计算
• 当 memory 的前向计算会 "指向" A 的输出 LoDTensor
• memory 的输出可以是另一个 operator 的输入，于是形成了“循环”连接

• while_op 无法独立构成dynamicRNN，必须和一组相关的 operator 及数据结构配合

  • 依赖的 operators (这里仅列出最重要的，并非全部):
    • lod_rank_table operator
    • lod_tensor_to_array operator
    • array_to_lod_tensor operator
    • shrink_memory operator
  • 依赖的数据结构
    • TensorArray
    • LoDRankTable

• 在Fluid中，RNN接受变长序列输入，无需填充，以上数据结构和相关的operator配合工作，实现了对变长输入以batch计算

• 问题：
  • RNN 可以看作是一个展开的前向网络，前向网络的深度是最长序列的长度
  • 如果不对变长序列进行填充，将它们填充到一样长度，每个mini-batch输入将会不等长，每个样本展开长度不一致，导致前向和反向计算实现困难

• 以机器翻译的RNN encoder-decoder 模型（涉及了dynamicRNN的所有设计要素）为例，下图是 RNN encoder-decoder 的原始输入：

  
  Figure. RNN encoder-decoder 原始batch 输入数据

• source word sequences 是encoder RNN的输出，是一个LoDTensor

• target word sequences 是look_uptable的输入，是一个LoDTensor

• 上图中一个矩形方块是CPU/GPU内存中一片连续的内存空间，表示一个dense vector

1. 对一个mini batch中不等长样本进行排序，最长样本变成batch中的第一个，最短样本是batch中最后一个

   • LoDTensor -> LoDRankTable ➕ lod_rank_table operaator
     • 可以将LoDRankTable理解为对LoDTensor中的多个序列按照长度排序LoDRankTable 存储了排序之后的index

2. 构建每个时间步的batch输入：随着时间步增加，每个时间步的batch输入可能会逐渐缩小

   • TensorArray ➕ lod_tensor_to_array -> LoDTensor (without LoD)

3. 每个时间步输出写入一个输出 LoDTensorArray

4. dynamicRNN循环结束后, 按照LoDRankTable中记录的信息对输出LoDTensorArray重排序，还原会原始输入顺序

   • TensorArray ➕ array_to_lod_tensor -> LoDTensor

• 执行到第5~7个batch时，batch size将会缩小

• 第5 ~ 7个batch时RNN的memory会发生什么？
  • memory 指向某个operator的输出Tensor，在该operator前向计算之后，“取回”其计算结果
  • 5 ~ 7时，遇到了序列的结束，==下一个时间步计算不再需要在已经结束的序列上展开==
  • 在dynamicRNN中shrink_memory operator 用来缩小memory的batch输入

Figure. 第1、2个batch输入dynamicRNN的batch输入

Figure. 第3、4个batch输入dynamicRNN的batch输入

Figure. 第5、6、7个batch输入dynamicRNN的batch输入

• 设计概览
  • 重构概览 ->
  • fluid ->
  • fluid_compiler ->
• 核心概念
  • variable 描述 ->
  • Tensor ->
  • LoDTensor ->
  • TensorArray ->
  • Program ->
  • Block ->
  • Scope ->

• 重要功能模块

  • backward ->
  • 内存优化 ->
  • evaluator ->
  • python API ->
  • regularization ->

• 开发指南

  • 支持新设硬件设备库 ->
  • 添加新的Operator ->
  • 添加新的Kernel ->

Docker编译PaddlePaddle源码: ->

PaddlePaddle 在 Dockerhub 地址：->

1. 获取PaddlePaddle的Docker镜像

   docker pull paddlepaddle/paddle:latest-dev

2. 启动 docker container

   docker run -it -v $PWD/Paddle:/paddle paddlepaddle/paddle:latest-dev /bin/bash

3. 进入docker container后，从源码编译，请参考文档 ->

1. PaddlePaddle的Docker镜像为了减小体积，默认没有安装vim，可以在容器中执行apt-get install -y vim来安装vim。

2. 开发推荐使用tag为latest-dev的镜像，其中打包了所有编译依赖。latest及lastest-gpu是production镜像，主要用于运行PaddlePaddle程序。

3. 在Docker中运行GPU程序，推荐使用nvidia-docker，否则需要将CUDA库和设备挂载到Docker容器内。

   nvidia-docker run -it -v $PWD/Paddle:/paddle paddlepaddle/paddle:latest-dev /bin/bash

• ==提交PullRequest前请务必阅读==： ->
• 代码要求
  1. 代码注释遵守 Doxygen 的样式
  2. 确保编译器选项 WITH_STYLE_CHECK 已打开，并且编译能通过代码样式检查
  3. 所有代码必须具有单元测试，且能够通过所有单元测试
• 使用 pre-commit 钩子提交Pull Request
  1. 帮助格式化源代码（C++，Python）
  2. 在提交前自动检查一些基本事宜：如每个文件只有一个 EOL，Git 中不要添加大文件等
  3. 安装pre-commit，并在PaddlePaddle根目录运行：

    ➜  pip install pre-commit
    ➜  pre-commit install

1. 开始开发之前请先建立issue。
   • 让其它同学知道某项工作已经有人在进行，以避免多人开发同一功能的情况。
2. 提交PR必须关联相关的issue。做法请参考：->
   • 目的：为了在提交的版本中留有记录描述这个PR是为了开发什么样的功能，为了解决什么样的问题。
   • 当PR被merge后，关联的issue会被自动关闭。
3. PR review 中，reviewer的每条comment都必须回复。
   • 如修改完可直接回复：Done。
   • 目的：review comment 中可能会有（1）询问类型的问题；（2）可以在下一个PR修改的问题；（3）comment意见不合理等。需要明确回复，以便reviewer和其他人有历史可查，便于区分是否已经进行修改，或者准备下一个PR修改，或者意见不合理可以不用进行修改。

添加一个新的operator，会涉及实现以下C++类的派生类：

1. framework::OperatorBase: Operator(简写，Op)基类。
2. framework::OpKernel: Op计算函数的基类，称作Kernel。
3. framework::OperatorWithKernel：继承自OperatorBase，Op有计算函数，称作有Kernel。
4. class OpProtoAndCheckerMaker：描述该Op的输入、输出、属性、注释,主要用于Python API接口生成

依据是否包含kernel，可以将Op分为两种：

1. 包含Kernel的Op：继承自OperatorWithKernel，==绝大多数operator都属于这一类==
2. 不包含kernel的Op，继承自OperatorBase，只有少量Op属于这一类，例如while_op，ifelse_op

这里主要介绍带Kernel的Op如何编写。

• 添加 Operator 之前请阅读：Operator 命名规范及Operator Markdown注释规范。
• 实现新的op都添加至目录paddle/operators下，文件命名以*_op.h（如有） 、 *_op.cc 、*_op.cu（如有）结尾。
• 根据文件名自动构建op和Python端绑定，请务必遵守以上命名，否则需要进一步修改PyBind相关文件及CMakeLists.txt。

下面均以clip_op为例进行介绍

• clip_op计算公式：$Out = \min(\max(X, min), max)$

• 首先定义ProtoMaker来描述该Op的输入、输出，并添加注释（下面代码段的中注释进行了简化，实现时需按照规范添加注释）：

  template <typename AttrType>
  class ClipOpMaker : public framework::OpProtoAndCheckerMaker {
   public:
    ClipOpMaker(OpProto* proto, OpAttrChecker* op_checker)
        : OpProtoAndCheckerMaker(proto, op_checker) {
      AddInput("X","(Tensor)The input of clip op.");
      AddOutput("Out", "(Tensor),The output of clip op.");
      AddAttr<AttrType>(
          "min", "(float),Minimum value.");
      AddAttr<AttrType>(
          "max", "(float),Maximum value.");
      AddComment(R"DOC(
      ……
  )DOC");
    }
  };

下面的代码段实现了clip_op的定义：

class ClipOp : public framework::OperatorWithKernel {
 public:
  using framework::OperatorWithKernel::OperatorWithKernel;

  void InferShape(framework::InferShapeContext* ctx) const override {
    PADDLE_ENFORCE(ctx->HasInput("X"),
                   "Input(X) of ClipOp should not be null.");
    PADDLE_ENFORCE(ctx->HasOutput("Out"),
                   "Output(Out) of ClipOp should not be null.");
    auto x_dims = ctx->GetInputDim("X");
    auto max = ctx->Attrs().Get<float>("max");
    auto min = ctx->Attrs().Get<float>("min");
    PADDLE_ENFORCE_LT(min, max, "max should be greater than min.");
    ctx->SetOutputDim("Out", x_dims);
    ctx->ShareLoD("X", /*->*/ "Out");
  }
};

1. clip_op 继承自OperatorWithKernel，

   using framework::OperatorWithKernel::OperatorWithKernel;

   表示使用基类OperatorWithKernel的构造函数。

2. 重写InferShape接口。

   • InferShape 为const函数，不能修改Op的成员变
   • InferShape 的参数为 const framework::InferShapeContext &ctx，从中可获取到输入输出以及属性
   • InferShape 会被调用两次，一次是编译时（创建op），一次是运行时（调用op的Run方法时），需要完成以下功能：
     1. 做检查， 尽早报错：检查输入数据维度、类型等是否合法
     2. 设置输出Tensor的形状

通常OpProtoMaker和Op类的定义写在.cc文件中。

1. InferShape目前支持两种实现方式，二者最后都会生成一个functor注册给OpInfo结构体。

   1. 继承framework::InferShapeBase，实现为一个functor（参考 mul_op）
   2. override InferShape函数（参考 clip_op）

2. 什么是functor ?

   • 类或结构体仅重载了()，一般是可被多个kernel复用的计算函数。

     template <typename T>
     class CrossEntropyFunctor<platform::CPUDeviceContext, T> {
      public:
       void operator()(const platform::CPUDeviceContext& ctx,
                       framework::Tensor* out,
                       const framework::Tensor* prob,
                       const framework::Tensor* labels, const bool softLabel) {
            ……
       }
     };

   • 在 clip_op 内也会看到将一段计算函数抽象为functor的使用法： ->。

• ClipKernel继承自framework::OpKernel，带有下面两个模板参数:

  1. typename DeviceContext: 表示设备类型，不同设备共享同一个Kernel时，需添加该模板参数。不共享时，需要提供针对不同设备的特化实现。
  2. typename T : 表示支持的数据类型，如float, double等

• 在ClipKernel类中重写Compute方法

  1. Compute接受输入参数：const framework::ExecutionContext& context
     • ExecutionContext 是从 Scope中将运行时Op的输入、输出Variable组织在一起，使得Op在调用Compute方法时，能够简单地通过名字拿到需要的输入输出Variable
     • 与InferShapeContext相比，ExecutionContext 中增加了设备类型
  2. 在Compute函数里实现OpKernel的具体计算逻辑

template <typename DeviceContext, typename T>
class ClipKernel : public framework::OpKernel<T> {
 public:
  void Compute(const framework::ExecutionContext& context) const override {
    auto max = context.Attr<T>("max");
    auto min = context.Attr<T>("min");
    auto* x = context.Input<Tensor>("X");
    auto* out = context.Output<Tensor>("Out");
    T* out_data = out->mutable_data<T>(context.GetPlace());
    const T* x_data = x->data<T>();
    int64_t numel = x->numel();
    Transform<DeviceContext> trans;
    trans(context.template device_context<DeviceContext>(), x_data,
          x_data + numel, out_data, ClipFunctor<T>(min, max));
  }
};

• 为了使OpKernel的计算过程书写更加简单，并且CPU、CUDA的代码可以复用， Fluid 使用 Eigen 作为基础的矩阵运算库
• Fluid对Eigen unsupported Tensor提供了一些基本的封装，可以在Compute接口中直接调用
  • 关于在PaddlePaddle中如何使用Eigen库，请参考使用文档。

• ==反向Op没有ProtoMaker==，除此之外定义与实现方式前向Op完全一致，不再赘述
• 这里仅对反向Op的输入输出进行说明：
  1. 反向Op的输入
     • 前向Op的输出
     • 反向传播过程中传递给当前Op的梯度
       • 需要注意，Fluid中，不区分Cost Op和中间层Op，所有Op都必须正确处理接收到的梯度
  2. 反向Op的输出
     • 对可学习参数的求导结果
     • 对所有输入的求导结果

至此Op和Op kernel都已经实现完毕，接下来，需要在.cc和cu文件中注册op和kernel

1. 在.cc文件中注册前向、反向Op类，注册CPU Kernel。

   namespace ops = paddle::operators;
   REGISTER_OP(clip, ops::ClipOp, ops::ClipOpMaker<float>, clip_grad,
               ops::ClipOpGrad);
   REGISTER_OP_CPU_KERNEL(
       clip, ops::ClipKernel<paddle::platform::CPUDeviceContext, float>);
   REGISTER_OP_CPU_KERNEL(
       clip_grad, ops::ClipGradKernel<paddle::platform::CPUDeviceContext, float>);

   • 在上面的代码片段中：

     1. REGISTER_OP ： 注册ops::ClipOp类，类型名为clip，该类的ProtoMaker为ops::ClipOpMaker，注册ops::ClipOpGrad，类型名为clip_grad
     2. REGISTER_OP_WITHOUT_GRADIENT ： 用于注册没有反向的Op，例如：优化算法相关的Op
     3. REGISTER_OP_CPU_KERNEL ：注册ops::ClipKernel类，并特化模板参数为paddle::platform::CPUPlace和float类型，同理，注册ops::ClipGradKernel类

2. 按照同样方法，在.cu文件中注册GPU Kernel

   • 如果CUDA Kernel的实现基于Eigen，需在 .cu的开始加上宏定义 #define EIGEN_USE_GPU

• 运行下面命令可以仅编译新添加的Op：

  make mul_op
  

  • 需注意，运行单元测试需要编译整个工程

• 如果遵循前文的文件命名规则，构建过程中，会自动为新增的op添加Python端绑定，并链接到生成的lib库中

• 新增Op的单元测试统一添加至：python/paddle/v2/fluid/tests/unittests目录

• 前向Operator单测

  1. Op单元测试继承自OpTest，各项具体的单元测试在TestClipOp里完成，所有单测case都以TestXX命名
  2. 单元测试Operator，需要：
     1. 在setUp函数定义输入、输出，以及相关的属性参数
     2. 生成随机的输入数据
     3. 在Python脚本中实现与前向operator相同的计算逻辑，得到输出值，与operator前向计算的输出进行对比
     4. 反向梯度检测流程测试框架已经实现，直接调用相应接口check_grad即可

• clip_op 单测代码请参考 ->，这里不再展开

• python/paddle/v2/framework/tests 目录下新增的 test_*.py 单元测试会被自动加入工程进行编译

  • 运行单元测试测时需要编译整个工程，并且编译时需要打开WITH_TESTING, 即cmake paddle_dir -DWITH_TESTING=ON

• 编译成功后，执行下面的命令来运行单元测试：

  make test ARGS="-R test_mul_op -V"

  或者:

  ctest -R test_mul_op
  

• 为每个Op创建单独的*_op.h（如有）、*_op.cc和*_op.cu（如有）。不允许一个文件中包含多个Op，将会导致编译出错。
• 注册Op时的类型名，需要和该Op的名字一样。不允许在A_op.cc里面，注册REGISTER_OP(B, ...)，会导致单元测试出错。
• 如果Op没有实现CUDA Kernel，不要创建空的*_op.cu，会导致单元测试出错。
• 如果多个Op依赖一些共用的函数，可以创建非*_op.*格式的文件来存放，如gather.h文件。

• 当在python端执行时：

  import paddle.v2.fluid as fluid

  framework.py定义了两个全局Program:

  # program is a global instance.
  _main_program_ = Program()
  _startup_program_ = Program()

• 前向定义的过程就是不断往mian_program中添加Op和Variable

• 如果需要执行一个新的mian_program时，可以调用调用：

  def switch_main_program(program):
      """
      Switch the main program to a new program.
      This funtion returns the previous main program.
      """
      ……

• 调用fluid.ParamAttr(……)接口，自定义参数的初始化

  w_param_attrs = ParamAttr(name=None,
      initializer=UniformInitializer(low=-1.0, high=1.0, seed=0),
      learning_rate=1.0,
      regularizer=L1Decay(1.0),
      trainable=True,
      clip=GradientClipByValue(-1.0, 1.0),
  )
  y_predict = fluid.layers.fc(input=x, size=1, param_attr=w_param_attrs)

• 补充问题：如何创建 Variable

  cur_program = Program()
  cur_block = cur_program.current_block()
  new_var = cur_block.create_var(name="X", shape=[-1, 16, 16], dtype="float32")

• 调用fluid.backward.append_backward(X)（X是一个Variable），来为一段前向ProgramDesc添加反Op

  data = fluid.layers.data(name="data", shape=(2,3,4))
  out = fluid.layers.fc(input=data,size=128,act=None)
  loss = fluid.layers.reduce_sum(out)
  fluid.backward.append_backward(loss=loss)

• 添加优化相关的Op

  sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)
  sgd_optimizer.minimize(loss)

• 可以随时调用print(fluid.default_main_program())来输出当前的main_program

• 当构建完成整个Program后，调用下面的接口执行内存优化：

  fluid.memory_optimize(fluid.default_main_program())

  • 注：内存优化目前仍在持续开发中，有可能不够稳定。

• 用户定义前向计算
• 添加反向Op到default_main_program
• 添加 gradient clipping Op 到
• 添加 regularization Op 到default_main_program
• 为指定的优化算法，添加相关的状态 variable of optimizer 到default_startup_program
  • 状态相关 variable是指如学习率, 历史 momentum, 二阶momentum等
• 添加初始化 variable 的Op 到 default_startup_program
• 为整个网络最后一个op，添加设置其接受到的梯度的Op到default_main_program
• 进行内存优化规划

• 执行executor的run方法时，指定feed字典，feed op 会将指定的数据放到x和y两个Variable中

  y_data = np.random.randint(0, 8, [1]).astype("int32")
  y_tensor = core.Tensor()
  y_tensor.set(y_data, place)
  
  x_data = np.random.uniform(0.1, 1, [11, 8]).astype("float32")
  x_tensor = core.Tensor()
  x_tensor.set(x_data, place)
  ……
  cost = exe.run(
      fluid.default_main_program(),
      feed={'x': x_tensor,
            'y': y_tensor},
      fetchlist=[avg_cost])

• 这种方法较为底层，一般用于单测中

• 编写一个data_reader函数，data_reader是一个Python generator

  def demo_reader():
      def random_generator():
          yield np.random.uniform(0.1, 1, [4]), np.random.randint(0, 1, [1])
      return random_generator

• 在训练任务中使用 DataFeeder 接口

  cost = exe.run(
      fluid.default_main_program(),
      feed={'x': x_tensor,
            'y': y_tensor},
      fetchlist=[avg_cost])
  
  train_reader = paddle.batch(
      paddle.reader.shuffle(demo_reader(), buf_size=500), batch_size=4)
  feeder = fluid.DataFeeder(place=place, feed_list=[x, y])
  for data in train_reader():
      cost = exe.run(
          fluid.default_main_program(),
          feed=feeder.feed(data),
          fetch_list=[cost])

• 如何使用 evaluator ? ->

  accuracy = fluid.evaluator.Accuracy(input=predict, label=label)
  for pass_id in range(PASS_NUM):
      accuracy.reset()
      for data in train_reader():
          loss, acc = exe.run(fluid.default_main_program(),
                              feed=feeder.feed(data),
                              fetch_list=[avg_cost] + accuracy.metrics)
           pass_acc = accuracy.eval(exe)
           # acc 当前一个batch 的 accuracy
           # pass_acc 当前batch 的 accuracy
       pass_total_acc = accuracy.eval(exe)  # 整个pass的accuracy

• 如何在训练中测试？->

• 如何保存训练好的模型？->

• 如何加载训练好的模型进行预测？->

• 如何在同一个训练任务中定义多个Program，并交替运行？ ->

• 如何profile？Fluid 实现了profile 工具，可以直接调用。请参考示例 ->