如何用Paddle Fluid API搭建一个简单的神经网络？

本文将介绍：

• Paddle Fluid 有哪些核心概念

• 如何在 Paddle Fluid 中定义运算过程

• 如何使用 executor 运行 Paddle Fluid 操作

• 如何从逻辑层对实际问题建模

• 如何调用 API（层，数据集，损失函数，优化方法等等）

使用 Tensor 表示数据

Paddle Fluid 和其它主流框架一样，使用 Tensor 数据结构来承载数据。Tensor 可以简单理解成一个多维数组，一般而言可以有任意多的维度。不同的 Tensor 可以具有自己的数据类型和形状，同一 Tensor 中每个元素的数据类型是一样的，Tensor 的形状就是 Tensor 的维度。

下图直观地表示 1～6 维的 Tensor：

在 Paddle Fluid 中存在三种特殊的 Tensor：

1. 模型中的可学习参数

模型中的可学习参数（包括网络权重、偏置等）生存期和整个训练任务一样长，会接受优化算法的更新，在 Paddle Fluid 中以 Variable 的子类 Parameter 表示。

在 Paddle Fluid 中可以通过 fluid.layers.create_parameter 来创建可学习参数：

w = fluid.layers.create_parameter(name="w",shape=[1],dtype='float32')

一般情况下，您不需要自己来创建网络中的可学习参数，Paddle Fluid 为大部分常见的神经网络基本计算模块都提供了封装。以最简单的全连接模型为例，下面的代码片段会直接为全连接层创建连接权值（W）和偏置（bias）两个可学习参数，无需显式地调用 Parameter 相关接口来创建。

 

import paddle.fluid as fluid
y = fluid.layers.fc(input=x, size=128, bias_attr=True)

2. 输入输出 Tensor

整个神经网络的输入数据也是一个特殊的 Tensor，在这个 Tensor 中，一些维度的大小在定义模型时无法确定（通常包括：batch size，如果 mini-batch 之间数据可变，也会包括图片的宽度和高度等），在定义模型时需要占位。

Paddle Fluid 中使用 fluid.layers.data 来接收输入数据，fluid.layers.data 需要提供输入 Tensor 的形状信息，当遇到无法确定的维度时，相应维度指定为 None 或 -1，如下面的代码片段所示：

import paddle.fluid as fluid
#定义x的维度为[3,None]，其中我们只能确定x的第一的维度为3，第二个维度未知，要在程序执行过程中才能确定
x = fluid.layers.data(name="x", shape=[3,None], dtype="int64")
#batch size无需显示指定，框架会自动补充第0维为batch size，并在运行时填充正确数值
a = fluid.layers.data(name="a",shape=[3,4],dtype='int64')
#若图片的宽度和高度在运行时可变，将宽度和高度定义为None。
#shape的三个维度含义分别是：channel、图片的宽度、图片的高度
b = fluid.layers.data(name="image",shape=[3,None,None],dtype="float32")

其中，dtype="int64" 表示有符号 64 位整数数据类型，更多 Paddle Fluid 目前支持的数据类型请在官网查阅：http://paddlepaddle.org/documentation/docs/zh/1.4/user_guides/howto/prepare_data/feeding_data.html#fluid。

3. 常量 Tensor

Paddle Fluid 通过 fluid.layers.fill_constant 来实