ExecutionStrategy
查看属性与别名
API属性:声明式编程(静态图)专用API
class paddle.fluid.ExecutionStrategy
通过设置 ExecutionStrategy
中的选项,用户可以对执行器的执行配置进行调整,比如设置执行器中线程池的大小等。
返回
初始化后的ExecutionStrategy的实例
返回类型
ExecutionStrategy
代码示例
import paddle.fluid as fluid
x = fluid.layers.data(name='x', shape=[13], dtype='float32')
y = fluid.layers.data(name='y', shape=[1], dtype='float32')
y_predict = fluid.layers.fc(input=x, size=1, act=None)
cost = fluid.layers.square_error_cost(input=y_predict, label=y)
avg_loss = fluid.layers.mean(cost)
sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)
sgd_optimizer.minimize(avg_loss)
exec_strategy = fluid.ExecutionStrategy()
exec_strategy.num_threads = 4
train_exe = fluid.ParallelExecutor(use_cuda=False,
loss_name=avg_loss.name,
exec_strategy=exec_strategy)
属性
num_iteration_per_drop_scope
int型成员。该选项表示间隔多少次迭代之后清理一次临时变量。模型运行过程中,生成的中间临时变量将被放到local execution scope中,为了避免对临时变量频繁的申请与释放,通常将其设为较大的值(比如10或者100)。默认值为100。
num_iteration_per_run
int型成员。它配置了当用户在python脚本中调用pe.run()时执行器会执行的迭代次数。Executor每次调用,会进行num_iteration_per_run次训练,它会使整体执行过程更快。
num_threads
int型成员。该选项表示当前 Executor
的线程池(thread pool)的大小, 此线程池可用来并发执行program中的operator(算子,运算)。如果
,则所有的operator将一个接一个地执行,但在不同的program重复周期(iterations)中执行顺序可能不同。如果该选项没有被设置,则在 Executor
中,它会依据设备类型(device type)、设备数目(device count)而设置为相应值。对GPU,
;对CPU,
。在 Executor
中有关于
的详细解释。如果没有设置
,则设置默认值为1, 并提示用户进行
的设置。