训练过程中评测模型

模型的测试评价与训练的 fluid.Program 不同。在测试评价中:

  • 测试评价不进行反向传播,不优化更新参数。
  • 测试评价执行的操作可以不同。
    • 例如 BatchNorm 操作,在训练和测试时执行不同的算法。
    • 测试评价模型与训练模型可以是完全不同的模型。

生成测试 fluid.Program

通过克隆训练 fluid.Program 生成测试 fluid.Program

Program.clone() 方法可以复制出新的 fluid.Program 。 通过设置 Program.clone(for_test=True) 复制含有用于测试的操作 fluid.Program 。简单的使用方法如下:

  1. import paddle.fluid as fluid
  2.  
  3. image = fluid.data(name="image", shape=[None, 784], dtype='float32')
  4. label = fluid.data(name="label", shape=[None, 1], dtype="int64")
  5.  
  6. prediction = fluid.layers.fc(
  7. input=fluid.layers.fc(input=image, size=100, act='relu'),
  8. size=10,
  9. act='softmax'
  10. )
  11. loss = fluid.layers.mean(fluid.layers.cross_entropy(input=prediction, label=label))
  12. acc = fluid.layers.accuracy(input=prediction, label=label)
  13.  
  14. test_program = fluid.default_main_program().clone(for_test=True)
  15.  
  16. adam = fluid.optimizer.Adam(learning_rate=0.001)
  17. adam.minimize(loss)

在使用 Optimizer 之前,将 fluid.default_main_program() 复制成一个 test_program 。之后使用测试数据运行 test_program,就可以做到运行测试程序,而不影响训练结果。

分别配置训练 fluid.Program 和测试 fluid.Program

如果训练程序和测试程序相差较大时,用户也可以通过完全定义两个不同的 fluid.Program,分别进行训练和测试。在PaddlePaddle Fluid中,所有的参数都有名字。如果两个不同的操作,甚至两个不同的网络使用了同样名字的参数,那么他们的值和内存空间都是共享的。

PaddlePaddle Fluid中使用 fluid.unique_name 包来随机初始化用户未定义的参数名称。通过 fluid.unique_name.guard 可以确保多次调用某函数参数初始化的名称一致。

例如:

  1. import paddle.fluid as fluid
  2.  
  3. def network(is_test):
  4. image = fluid.data(name="image", shape=[None, 784], dtype='float32')
  5. label = fluid.data(name="label", shape=[None, 1], dtype="int64")
  6. hidden = fluid.layers.fc(input=image, size=100, act="relu")
  7. hidden = fluid.layers.batch_norm(input=hidden, is_test=is_test)
  8. ...
  9. return loss
  10.  
  11. with fluid.unique_name.guard():
  12. train_loss = network(is_test=False)
  13. sgd = fluid.optimizer.SGD(0.001)
  14. sgd.minimize(train_loss)
  15.  
  16. test_program = fluid.Program()
  17. with fluid.unique_name.guard():
  18. with fluid.program_guard(test_program, fluid.Program()):
  19. test_loss = network(is_test=True)
  20.  
  21. # fluid.default_main_program() is the train program
  22. # fluid.test_program is the test program

执行测试 fluid.Program

使用 Executor 执行测试 fluid.Program

用户可以使用 Executor.run(program=…) 来执行测试 fluid.Program

例如

  1. exe = fluid.Executor(fluid.CPUPlace())
  2. test_acc = exe.run(program=test_program, feed=test_data_batch, fetch_list=[acc])
  3. print 'Test accuracy is ', test_acc

使用 ParallelExecutor 执行测试 fluid.Program

用户可以使用训练用的 ParallelExecutor 与测试 fluid.Program 一起,新建一个测试的 ParallelExecutor ;再使用测试 ParallelExecutor.run 来执行测试。

例如:

  1. train_exec = fluid.ParallelExecutor(use_cuda=True, loss_name=loss.name)
  2.  
  3. test_exec = fluid.ParallelExecutor(use_cuda=True, share_vars_from=train_exec,
  4. main_program=test_program)
  5. test_acc = test_exec.run(fetch_list=[acc], ...)