使用DataFeeder传入训练/预测数据

Fluid提供 DataFeeder 类,将numpy array等数据转换为 LoDTensor 类型传入训练/预测网络。

用户创建 DataFeeder 对象的方式为:

  1. import paddle.fluid as fluid
  2.  
  3. image = fluid.layers.data(name='image', shape=[-1, 3, 224, 224], dtype='float32')
  4. label = fluid.layers.data(name='label', shape=[-1, 1], dtype='int64')
  5. place = fluid.CUDAPlace(0) if fluid.core.is_compiled_with_cuda() else fluid.CPUPlace()
  6. feeder = fluid.DataFeeder(feed_list=[image, label], place=place)

其中,feed_list 参数为变量列表,这些变量由 fluid.layers.data() 创建,place 参数表示应将Python端传入的numpy array等数据转换为GPU端或是CPU端的 LoDTensor 。创建 DataFeeder 对象后,用户可调用其 feed(iterable) 方法将用户传入的iterable 数据转换为 LoDTensor

iterable 应为Python List或Tuple类型对象,且 iterable 的每个元素均为长度为N的Python List或Tuple类型对象,其中N为创建 DataFeeder 对象时传入的 feed_list 变量个数。

iterable 的具体格式为:

  1. iterable = [
  2. (image_1, label_1),
  3. (image_2, label_2),
  4. ...
  5. (image_n, label_n)
  6. ]

其中,image_ilabel_i 均为numpy array类型数据。若传入数据的维度为[1],如 label_i,则可传入Python int、float等类型数据。 image_ilabel_i 的数据类型和维度不必与 fluid.layers.data() 创建时指定的 dtypeshape 完全一致,DataFeeder 内部会完成数据类型和维度的转换。若 feed_list 中的变量的 lod_level 不为零,则Fluid会将经过维度转换后的iterable 中每行数据的第0维作为返回结果的 LoD

具体使用方法请参见 DataFeeder

原文: http://paddlepaddle.org/documentation/docs/zh/1.3/api_guides/low_level/layers/data_feeder.html