前言

在第一章介紹了百度AI Studio這個平臺，接下來我們就使用這個平臺來開發我們的PaddlePaddle。PaddlePaddle是百度在2016年9月27日開源的一個深度學習框架，也是目前國內唯一一個開源的深度學習框架。PaddlePaddle在0.11.0版本之後，開始推出Fluid版本，Fluid版本相對之前的V2版本，Fluid的程式碼結構更加清晰，使用起來更加方便。這本章中我們將會介紹如何使用PaddlePaddle來計算1+1，選擇這個簡單的例子主要是為了讓讀者瞭解PaddlePaddle的Fluid版本的使用，掌握PaddlePaddle的使用流程。我們講過介紹如何使用PaddlePaddle定義一個張量和如何對張量進行計算。

計算常量的1+1

PaddlePaddle類似一個科學計算庫，比如Python下我們使用的numpy，提供的大量的計算操作，但是PaddlePaddle的計算物件是張量。我們下面就使用PaddlePaddle計算一個[[1, 1], [1, 1]] * [[1, 1], [1, 1]]。

首先匯入PaddlePaddle庫，大部分的API都在paddle.fluid下。

import paddle.fluid as fluid

定義兩個張量的常量x1和x2，並指定它們的形狀是[2, 2]，並賦值為1鋪滿整個張量，型別為int64.

# 定義兩個張量
x1 = fluid.layers.fill_constant(
 
shape=[2, 2], value=1, dtype='int64')
x2 = fluid.layers.fill_constant(shape=[2, 2], value=1, dtype='int64')

接著定義一個操作，該計算是將上面兩個張量進行加法計算，並返回一個求和的運算元。PaddlePaddle提供了大量的操作，比如加減乘除、三角函式等，讀者可以在fluid.layers找到。

# 將兩個張量求和
y1 = fluid.layers.sum(x=[x1, x2])

然後建立一個直譯器，可以在這裡指定計算使用CPU或GPU。當使用CPUPlace()時使用的是CPU，如果是CUDAPlace()

# 建立一個使用CPU的直譯器
place = fluid.CPUPlace()
exe = fluid.executor.Executor(place)
# 進行引數初始化
exe.run(fluid.default_startup_program())

最後執行計算，program的引數值是主程式，不是上一步使用的是初始化引數的程式，program預設一共有兩個，分別是default_startup_program()和default_main_program()。fetch_list引數的值是在解析器在run之後要輸出的值，我們要輸出計算加法之後輸出結果值。最後計算得到的也是一個張量。

# 進行運算，並把y的結果輸出
result = exe.run(program=fluid.default_main_program(),
                 fetch_list=[y1])
print(result)

計算變數的1+1

上面計算的是張量常量的1+1，並不能隨意修改常量的值，所以下面我們要編寫一個使用張量變數作為乘數的程式，類似是一個佔位符，等到將要計算時，再把要計算的值新增到佔位符中進行計算。

匯入PaddlePaddle庫和numpy的庫。

import paddle.fluid as fluid
import numpy as np

定義兩個張量，並不指定該張量的形狀和值，它們是之後動態賦值的。這裡只是指定它們的型別和名字，這個名字是我們之後賦值的關鍵。

# 定義兩個張量
a = fluid.layers.create_tensor(dtype='int64', name='a')
b = fluid.layers.create_tensor(dtype='int64', name='b')

使用同樣的方式，定義這個兩個張量的加法操作。

# 將兩個張量求和
y = fluid.layers.sum(x=[a, b])

這裡我們同樣是建立一個使用CPU的解析器，和進行引數初始化。

# 建立一個使用CPU的直譯器
place = fluid.CPUPlace()
exe = fluid.executor.Executor(place)
# 進行引數初始化
exe.run(fluid.default_startup_program())

然後使用numpy建立兩個張量值，之後我們要計算的就是這兩個值。

# 定義兩個要計算的變數
a1 = np.array([3, 2]).astype('int64')
b1 = np.array([1, 1]).astype('int64')

這次exe.run()的引數有點不一樣了，多了一個feed引數，這個就是要對張量變數進行賦值的。賦值的方式是使用了鍵值對的格式，key是定義張量變數是指定的名稱，value就是要傳遞的值。在fetch_list引數中，筆者希望把a, b, y的值都輸出來，所以要使用3個變數來接受返回值。

# 進行運算，並把y的結果輸出
out_a, out_b, result = exe.run(program=fluid.default_main_program(),
                               feed={'a': a1, 'b': b1},
                               fetch_list=[a, b, y])
print(out_a, " + ", out_b," = ", result)

到處為止，本章就結束了。在本章我們學會了PaddlePaddle的使用方式，那在下一章我們使用PaddlePaddle完成我們的第一個安裝——線性迴歸，我們下章見。

參考資料