>>> import paddle
>>> import paddle.nn as nn
>>> from paddle.static import InputSpec
>>> paddle.seed(2023)
>>> device = paddle.set_device('cpu') # or 'gpu'
>>> net = nn.Sequential(
... nn.Linear(784, 200),
... nn.Tanh(),
... nn.Linear(200, 10))
>>> input = InputSpec([None, 784], 'float32', 'x')
>>> label = InputSpec([None, 1], 'int64', 'label')
>>> model = paddle.Model(net, input, label)
>>> optim = paddle.optimizer.SGD(learning_rate=1e-3,
... parameters=model.parameters())
>>> model.prepare(optim, paddle.nn.CrossEntropyLoss())
>>> data = paddle.rand((4, 784), dtype="float32")
>>> label = paddle.randint(0, 10, (4, 1), dtype="int64")
>>> loss = model.train_batch([data], [label])
>>> print(loss)
[array(3.0039132, dtype=float32)]
inputs (numpy.ndarray|Tensor|list) - 一批次的输入数据。它可以是一个 numpy 数组或 paddle.Tensor，或者是它们的列表（在模型具有多输入的情况下）。
labels (numpy.ndarray|Tensor|list，可选) - 一批次的标签。它可以是一个 numpy 数组或 paddle.Tensor，或者是它们的列表（在模型具有多输入的情况下）。如果无标签，请设置为 None。默认值：None。
list，如果没有定义评估函数，则返回包含了预测损失函数的值的列表；如果定义了评估函数，则返回一个元组（损失函数的列表，评估指标的列表）。
>>> import paddle
>>> import paddle.nn as nn
>>> from paddle.static import InputSpec
>>> paddle.seed(2023)
>>> device = paddle.set_device('cpu') # or 'gpu'
>>> net = nn.Sequential(
... nn.Linear(784, 200),
... nn.Tanh(),
... nn.Linear(200, 10))
>>> input = InputSpec([None, 784], 'float32', 'x')
>>> label = InputSpec([None, 1], 'int64', 'label')
>>> model = paddle.Model(net, input, label)
>>> optim = paddle.optimizer.SGD(learning_rate=1e-3,
... parameters=model.parameters())
>>> model.prepare(optim,
... paddle.nn.CrossEntropyLoss(),
... metrics=paddle.metric.Accuracy())
>>> data = paddle.rand((4, 784), dtype="float32")
>>> label = paddle.randint(0, 10, (4, 1), dtype="int64")
>>> loss, acc = model.eval_batch([data], [label])
>>> print(loss, acc)
[array(3.0039132, dtype=float32)] [0.0]
>>> device = paddle.set_device('cpu') # or 'gpu'
>>> input = InputSpec([None, 784], 'float32', 'x')
>>> label = InputSpec([None, 1], 'int64', 'label')
>>> net = nn.Sequential(
... nn.Linear(784, 200),
... nn.Tanh(),
... nn.Linear(200, 10),
... nn.Softmax())
>>> model = paddle.Model(net, input, label)
>>> model.prepare()
>>> data = paddle.rand((1, 784), dtype="float32")
>>> out = model.predict_batch([data])
>>> print(out)
[array([[0.10844935, 0.04650883, 0.11790176, 0.04962315, 0.10899059,
0.08197589, 0.03125402, 0.03232312, 0.3786293 , 0.04434395]],
dtype=float32)]
save(path, training=True)
将模型的参数和训练过程中优化器的信息保存到指定的路径，以及推理所需的参数与文件。如果 training=True，所有的模型参数都会保存到一个后缀为 .pdparams 的文件中。 所有的优化器信息和相关参数，比如 Adam 优化器中的 beta1 ， beta2 ，momentum 等，都会被保存到后缀为 .pdopt。如果优化器比如 SGD 没有参数，则该不会产生该文件。如果 training=False，则不会保存上述说的文件。只会保存推理需要的参数文件和模型文件。
path (str) - 保存的文件名前缀。格式如 dirname/file_prefix 或者 file_prefix 。
training (bool，可选) - 是否保存训练的状态，包括模型参数和优化器参数等。如果为 False，则只保存推理所需的参数与文件。默认值：True。
>>> import paddle
>>> import paddle.nn as nn
>>> import paddle.vision.transforms as T
>>> from paddle.static import InputSpec
>>> from paddle.vision.datasets import MNIST
>>> dynamic = True # False
>>> # If use static graph, do not set
>>> if not dynamic:
... paddle.enable_static()
>>> transform = T.Compose([T.Transpose(),
... T.Normalize([127.5], [127.5])])
>>> train_dataset = MNIST(mode='train', transform=transform)
>>> train_loader = paddle.io.DataLoader(train_dataset, batch_size=64)
>>> val_dataset = MNIST(mode='test', transform=transform)
>>> val_loader = paddle.io.DataLoader(val_dataset, batch_size=64)
>>> input = InputSpec([None, 1, 28, 28], 'float32', 'image')
>>> label = InputSpec([None, 1], 'int64', 'label')
>>> model = paddle.Model(paddle.vision.models.LeNet(), input, label)
>>> optim = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters())
>>> model.prepare(optim, paddle.nn.CrossEntropyLoss(), paddle.metric.Accuracy(topk=(1, 2)))
>>> model.fit(train_loader, val_loader, epochs=2, verbose=0)
>>> model.save('checkpoint/test') # save for training
>>> model.save('inference_model', False) # save for inference
load(path, skip_mismatch=False, reset_optimizer=False)
从指定的文件中载入模型参数和优化器参数，如果不想恢复优化器参数信息，优化器信息文件可以不存在。需要注意的是：参数名称的检索是根据保存模型时结构化的名字，当想要载入参数进行迁移学习时要保证预训练模型和当前的模型的参数有一样结构化的名字。
path (str) - 保存参数或优化器信息的文件前缀。格式如 path.pdparams 或者 path.pdopt ，后者是非必要的，如果不想恢复优化器信息。
skip_mismatch (bool，可选) - 是否需要跳过保存的模型文件中形状或名称不匹配的参数，设置为 False 时，当遇到不匹配的参数会抛出一个错误。默认值：False。
reset_optimizer (bool，可选) - 设置为 True 时，会忽略提供的优化器信息文件。否则会载入提供的优化器信息。默认值：False。
>>> import paddle
>>> import paddle.nn as nn
>>> from paddle.static import InputSpec
>>> device = paddle.set_device('cpu')
>>> input = InputSpec([None, 784], 'float32', 'x')
>>> model = paddle.Model(nn.Sequential(
... nn.Linear(784, 200),
... nn.Tanh(),
... nn.Linear(200, 10),
... nn.Softmax()), input)
>>> model.save('checkpoint/test')
>>> model.load('checkpoint/test')
>>> from paddle.static import InputSpec
>>> paddle.seed(2023)
>>> input = InputSpec([None, 784], 'float32', 'x')
>>> model = paddle.Model(nn.Sequential(
... nn.Linear(784, 200),
... nn.Tanh(),
... nn.Linear(200, 10)), input)
>>> params = model.parameters()
>>> print(params)
[Parameter containing:
Tensor(shape=[784, 200], dtype=float32, place=Place(cpu), stop_gradient=False,
[[ 0.05713400, 0.00314646, -0.03754271, ..., -0.02529256,
0.04872842, -0.06670858],
[ 0.06268418, 0.06550254, -0.02103353, ..., 0.06395906,
0.05509177, -0.06355451]]), Parameter containing:
Tensor(shape=[200], dtype=float32, place=Place(cpu), stop_gradient=False,
[0., 0., 0., ..., 0., 0.]), Parameter containing:
Tensor(shape=[200, 10], dtype=float32, place=Place(cpu), stop_gradient=False,
[[ 0.12933084, 0.07726504, 0.05336720, ..., 0.10865459,
0.06605886, 0.13684085],
[-0.10171061, -0.01649965, -0.13420501, ..., 0.11190581,
-0.12700224, 0.02916957]]), Parameter containing:
Tensor(shape=[10], dtype=float32, place=Place(cpu), stop_gradient=False,
[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])]
prepare(optimizer=None, loss=None, metrics=None, amp_configs=None)
配置模型所需的部件，比如优化器、损失函数和评价指标。
optimizer (OOptimizer|None，可选) - 当训练模型的，该参数必须被设定。当评估或测试的时候，该参数可以不设定。默认值：None。
loss (Loss|Callable|None，可选) - 当训练模型的，该参数必须被设定。默认值：None。
metrics (Metric|list[Metric]|None，可选) - 当该参数被设定时，所有给定的评估方法会在训练和测试时被运行，并返回对应的指标。默认值：None。
amp_configs (str|dict|None，可选) - 混合精度训练的配置，通常是个 dict，也可以是 str。当使用自动混合精度训练或者纯 float16 训练时，amp_configs 的 key level 需要被设置为 O1 或者 O2，float32 训练时则默认为 O0。除了 level ，还可以传入更多的和混合精度 API 一致的参数，例如：init_loss_scaling、 incr_ratio 、 decr_ratio、 incr_every_n_steps、 decr_every_n_nan_or_inf、 use_dynamic_loss_scaling、 custom_white_list、 custom_black_list ，在静态图下还支持传入 custom_black_varnames 和 use_fp16_guard 。详细使用方法可以参考参考混合精度 API 的文档 auto_cast 和 GradScaler 。为了方便起见，当不设置其他的配置参数时，也可以直接传入 'O1' 、'O2' 。在使用 float32 训练时，该参数可以为 None。默认值：None。
fit(train_data=None, eval_data=None, batch_size=1, epochs=1, eval_freq=1, log_freq=10, save_dir=None, save_freq=1, verbose=2, drop_last=False, shuffle=True, num_workers=0, callbacks=None, accumulate_grad_batches=1, num_iters=None)
训练模型。当 eval_data 给定时，会在 eval_freq 个 epoch 后进行一次评估。
train_data (Dataset|DataLoader，可选) - 一个可迭代的数据源，推荐给定一个 paddle paddle.io.Dataset 或 paddle.io.Dataloader 的实例。默认值：None。
eval_data (Dataset|DataLoader，可选) - 一个可迭代的数据源，推荐给定一个 paddle paddle.io.Dataset 或 paddle.io.Dataloader 的实例。当给定时，会在每个 epoch 后都会进行评估。默认值：None。
batch_size (int，可选) - 训练数据或评估数据的批大小，当 train_data 或 eval_data 为 DataLoader 的实例时，该参数会被忽略。默认值：1。
epochs (int，可选) - 训练的轮数。默认值：1。
eval_freq (int，可选) - 评估的频率，多少个 epoch 评估一次。默认值：1。
log_freq (int，可选) - 日志打印的频率，多少个 step 打印一次日志。默认值：10。
save_dir (str|None，可选) - 保存模型的文件夹，如果不设定，将不保存模型。默认值：None。
save_freq (int，可选) - 保存模型的频率，多少个 epoch 保存一次模型。默认值：1。
verbose (int，可选) - 可视化的模型，必须为 0，1，2。当设定为 0 时，不打印日志，设定为 1 时，使用进度条的方式打印日志，设定为 2 时，一行一行地打印日志。默认值：2。
drop_last (bool，可选) - 是否丢弃训练数据中最后几个不足设定的批次大小的数据。默认值：False。
shuffle (bool，可选) - 是否对训练数据进行洗牌。当 train_data 为 DataLoader 的实例时，该参数会被忽略。默认值：True。
num_workers (int，可选) - 启动子进程用于读取数据的数量。当 train_data 和 eval_data 都为 DataLoader 的实例时，该参数会被忽略。默认值：0。
callbacks (Callback|list[Callback]|None，可选) - Callback 的一个实例或实例列表。该参数不给定时，默认会插入 ProgBarLogger 和 ModelCheckpoint 这两个实例。默认值：None。
accumulate_grad_batches (int，可选) - 训练过程中，在优化器更新之前累积梯度的批次数。通过改变该参数可以模拟大的 batch_size。默认值：1。
num_iters (int，可选) - 训练模型过程中的迭代次数。如果设置为 None，则根据参数 epochs 来训练模型，否则训练模型 num_iters 次。默认值：None。
使用 Dataset 训练，并设置 batch_size 的例子。
>>> import paddle
>>> import paddle.vision.transforms as T
>>> from paddle.vision.datasets import MNIST
>>> from paddle.static import InputSpec
>>> dynamic = True
>>> if not dynamic:
... paddle.enable_static()
>>> transform = T.Compose([T.Transpose(),
... T.Normalize([127.5], [127.5])])
>>> train_dataset = MNIST(mode='train', transform=transform)
>>> val_dataset = MNIST(mode='test', transform=transform)
>>> input = InputSpec([None, 1, 28, 28], 'float32', 'image')
>>> label = InputSpec([None, 1], 'int64', 'label')
>>> model = paddle.Model(
... paddle.vision.models.LeNet(),
... input, label)
>>> optim = paddle.optimizer.Adam(
... learning_rate=0.001, parameters=model.parameters())
>>> model.prepare(
... optim,
... paddle.nn.CrossEntropyLoss(),
... paddle.metric.Accuracy(topk=(1, 2)))
>>> model.fit(train_dataset,
... val_dataset,
... epochs=2,
... batch_size=64,
... save_dir='mnist_checkpoint')
>>> import paddle
>>> import paddle.vision.transforms as T
>>> from paddle.vision.datasets import MNIST
>>> from paddle.static import InputSpec
>>> dynamic = True
>>> if not dynamic:
... paddle.enable_static()
>>> transform = T.Compose([T.Transpose(),
... T.Normalize([127.5], [127.5])])
>>> train_dataset = MNIST(mode='train', transform=transform)
>>> train_loader = paddle.io.DataLoader(train_dataset,
... batch_size=64)
>>> val_dataset = MNIST(mode='test', transform=transform)
>>> val_loader = paddle.io.DataLoader(val_dataset,
... batch_size=64)
>>> input = InputSpec([None, 1, 28, 28], 'float32', 'image')
>>> label = InputSpec([None, 1], 'int64', 'label')
>>> model = paddle.Model(
... paddle.vision.models.LeNet(), input, label)
>>> optim = paddle.optimizer.Adam(
... learning_rate=0.001, parameters=model.parameters())
>>> model.prepare(
... optim,
... paddle.nn.CrossEntropyLoss(),
... paddle.metric.Accuracy(topk=(1, 2)))
>>> model.fit(train_loader,
... val_loader,
... epochs=2,
... save_dir='mnist_checkpoint')
evaluate(eval_data, batch_size=1, log_freq=10, verbose=2, num_workers=0, callbacks=None, num_iters=None)
在输入数据上，评估模型的损失函数值和评估指标。
eval_data (Dataset|DataLoader) - 一个可迭代的数据源，推荐给定一个 paddle.io.Dataset 或 paddle.io.Dataloader 的实例。默认值：None。
batch_size (int，可选) - 训练数据或评估数据的批大小，当 eval_data 为 DataLoader 的实例时，该参数会被忽略。默认值：1。
log_freq (int，可选) - 日志打印的频率，多少个 step 打印一次日志。默认值：10。
verbose (int，可选) - 可视化的模型，必须为 0，1，2。当设定为 0 时，不打印日志，设定为 1 时，使用进度条的方式打印日志，设定为 2 时，一行一行地打印日志。默认值：2。
num_workers (int，可选) - 启动子进程用于读取数据的数量。当 eval_data 为 DataLoader 的实例时，该参数会被忽略。默认值：0。
callbacks (Callback|list[Callback]|None，可选) - Callback 的一个实例或实例列表。该参数不给定时，默认会插入 ProgBarLogger 和 ModelCheckpoint 这两个实例。默认值：None。
num_iters (int，可选) - 训练模型过程中的迭代次数。如果设置为 None，则根据参数 epochs 来训练模型，否则训练模型 num_iters 次。默认值：None。
dict, key 是 prepare 时 Metric 的的名称，value 是该 Metric 的值。
>>> import paddle
>>> import paddle.vision.transforms as T
>>> from paddle.static import InputSpec
>>> # declarative mode
>>> transform = T.Compose([T.Transpose(),
... T.Normalize([127.5], [127.5])])
>>> val_dataset = paddle.vision.datasets.MNIST(mode='test', transform=transform)
>>> input = InputSpec([-1, 1, 28, 28], 'float32', 'image')
>>> label = InputSpec([None, 1], 'int64', 'label')
>>> model = paddle.Model(paddle.vision.models.LeNet(), input, label)
>>> model.prepare(metrics=paddle.metric.Accuracy())
>>> result = model.evaluate(val_dataset, batch_size=64)
>>> print(result)
{'acc': 0.0699}
predict(test_data, batch_size=1, num_workers=0, stack_outputs=False, verbose=1, callbacks=None)
在输入数据上，预测模型的输出。
test_data (Dataset|DataLoader) - 一个可迭代的数据源，推荐给定一个 paddle.io.Dataset 或 paddle.io.Dataloader 的实例。默认值：None。
batch_size (int，可选) - 训练数据或评估数据的批大小，当 test_data 为 DataLoader 的实例时，该参数会被忽略。默认值：1。
num_workers (int，可选) - 启动子进程用于读取数据的数量。当 test_data 为 DataLoader 的实例时，该参数会被忽略。默认值：0。
stack_outputs (bool，可选) - 是否将输出进行堆叠。比如对于单个样本输出形状为 [X, Y]，test_data 包含 N 个样本的情况，如果 stack_outputs 设置为 True，那么输出的形状将会是 [N, X, Y]，如果 stack_outputs 设置为 False，那么输出的形状将会是 [[X, Y], [X, Y], ..., [X, Y]]。将 stack_outputs 设置为 False 适用于输出为 LoDTensor 的情况，如果输出不包含 LoDTensor，建议将其设置为 True。默认值：False。
verbose (int，可选) - 可视化的模型，必须为 0，1，2。当设定为 0 时，不打印日志，设定为 1 时，使用进度条的方式打印日志，设定为 2 时，一行一行地打印日志。默认值：1。
callbacks (Callback|list[Callback]|None，可选) - Callback 的一个实例或实例列表。默认值：None。
模型的输出。
>>> import numpy as np
>>> import paddle
>>> from paddle.static import InputSpec
>>> class MnistDataset(paddle.vision.datasets.MNIST):
... def __init__(self, mode, return_label=True):
... super().__init__(mode=mode)
... self.return_label = return_label
... def __getitem__(self, idx):
... img = np.reshape(self.images[idx], [1, 28, 28])
... if self.return_label:
... return img, np.array(self.labels[idx]).astype('int64')
... return img
... def __len__(self):
... return len(self.images)
>>> test_dataset = MnistDataset(mode='test', return_label=False)
>>> # imperative mode
>>> input = InputSpec([-1, 1, 28, 28], 'float32', 'image')
>>> model = paddle.Model(paddle.vision.models.LeNet(), input)
>>> model.prepare()
>>> result = model.predict(test_dataset, batch_size=64)
>>> print(len(result[0]), result[0][0].shape)
157 (64, 10)
>>> # declarative mode
>>> device = paddle.set_device('cpu')
>>> paddle.enable_static()
>>> input = InputSpec([-1, 1, 28, 28], 'float32', 'image')
>>> model = paddle.Model(paddle.vision.models.LeNet(), input)
>>> model.prepare()
>>> result = model.predict(test_dataset, batch_size=64)
>>> print(len(result[0]), result[0][0].shape)
157 (64, 10)
input_size (tuple|InputSpec|list[tuple|InputSpec]，可选) - 输入 Tensor 的大小。如果网络只有一个输入，那么该值需要设定为 tuple 或 InputSpec。如果模型有多个输入。那么该值需要设定为 list[tuple|InputSpec]，包含每个输入的 shape 。如果该值没有设置，会将 self._inputs 作为输入。默认值：None。
dtype (str，可选) - 输入 Tensor 的数据类型，如果没有给定，默认使用 float32 类型。默认值：None。
字典：包含网络全部参数的大小和全部可训练参数的大小。
>>> import paddle
>>> from paddle.static import InputSpec
>>> input = InputSpec([None, 1, 28, 28], 'float32', 'image')
>>> label = InputSpec([None, 1], 'int64', 'label')
>>> model = paddle.Model(paddle.vision.models.LeNet(), input, label)
>>> optim = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters())
>>> model.prepare(optim, paddle.nn.CrossEntropyLoss())
>>> params_info = model.summary()
>>> print(params_info)
---------------------------------------------------------------------------
Layer (type) Input Shape Output Shape Param #
===========================================================================
Conv2D-1 [[1, 1, 28, 28]] [1, 6, 28, 28] 60
ReLU-1 [[1, 6, 28, 28]] [1, 6, 28, 28] 0
MaxPool2D-1 [[1, 6, 28, 28]] [1, 6, 14, 14] 0
Conv2D-2 [[1, 6, 14, 14]] [1, 16, 10, 10] 2,416
ReLU-2 [[1, 16, 10, 10]] [1, 16, 10, 10] 0
MaxPool2D-2 [[1, 16, 10, 10]] [1, 16, 5, 5] 0
Linear-1 [[1, 400]] [1, 120] 48,120
Linear-2 [[1, 120]] [1, 84] 10,164
Linear-3 [[1, 84]] [1, 10] 850
===========================================================================
Total params: 61,610
Trainable params: 61,610
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.11
Params size (MB): 0.24
Estimated Total Size (MB): 0.35
---------------------------------------------------------------------------
{'total_params': 61610, 'trainable_params': 61610}
