使用FLuid版本，之前定义的神经网络还可以直接使用吗？

[yeyupiaoling]

比如我们之前定义的网络是这样的https://github.com/PaddlePaddle/models/blob/develop/image_classification/vgg.py#L6-L38

如果使用FLuid版本，需要修改神经网络吗？

[ranqiu92]

需要修改。

[yeyupiaoling]

要怎么修改呢？如果只是修改data，那不算

image = fluid.layers.data(name='image', shape=image_shape, dtype='float32')

[ranqiu92]

所有的layer都在fluid下了 而不是 paddle下，可以去参考 https://github.com/PaddlePaddle/models/tree/develop/fluid 下的例子

[yeyupiaoling]

@ranqiu92
它们的参数相同吗？比如我想把这例子的mobilenet换成vgg

比如把

paddle.networks.img_conv_group

换成

fluid.layers.conv2d

把

paddle.layer.fc

换成

fluid.layers.fc

[wangkuiyi]

@yeyupiaoling 的问题核心是不是Paddle 1程序如何迁移到PaddlePaddle Fluid？我理解这是一个挺重要的问题。我是Fluid的设计者，但是我对Paddle 1的API不够熟悉，所以不能简单扼要的回答。请 @qingqing01 或者 @reyoung 方便的时候看看吧。 这二位对 Paddle 1 很熟悉，并且参与了 Fluid 的开发工作，对两方面都熟悉。

[qingqing01]

@yeyupiaoling 关于Paddle 1和Fluid的API层面的区别：

可以对比 https://github.com/PaddlePaddle/book/blob/develop/03.image_classification/vgg.py 和 https://github.com/dzhwinter/benchmark/blob/master/fluid/vgg16.py ：

1. 网络定义上类似，如下。迁移过程注意，要Fluid layer名字是否相同、参数顺序。Fluid API文档参考：http://www.paddlepaddle.org/docs/develop/api/en/fluid/layers.html

   例如： Paddle 1:

   def vgg_bn_drop(input):
     def conv_block(ipt, num_filter, groups, dropouts, num_channels=None):
         return paddle.networks.img_conv_group(
           input=ipt,
           num_channels=num_channels,
           pool_size=2,
           pool_stride=2,
           conv_num_filter=[num_filter] * groups,
           conv_filter_size=3,
           conv_act=paddle.activation.Relu(),
           conv_with_batchnorm=True,
           conv_batchnorm_drop_rate=dropouts,
           pool_type=paddle.pooling.Max())
       # ...

   Fluid:

   def vgg16_bn_drop(input):
      def conv_block(input, num_filter, groups, dropouts):
        return fluid.nets.img_conv_group(
           input=input,
           pool_size=2,
           pool_stride=2,
           conv_num_filter=[num_filter] * groups,
           conv_filter_size=3,
           conv_act='relu',
           conv_with_batchnorm=True,
           conv_batchnorm_drop_rate=dropouts,
           pool_type='max')
     # ...

2. Optimizer使用有所不同，请对比：https://github.com/PaddlePaddle/book/blob/develop/03.image_classification/train.py#L52 和 https://github.com/dzhwinter/benchmark/blob/master/fluid/vgg16.py#L104

   Paddle 1:

      momentum_optimizer = paddle.optimizer.Momentum(
       momentum=0.9,
       regularization=paddle.optimizer.L2Regularization(rate=0.0002 * 128),
       learning_rate=0.1 / 128.0,
       learning_rate_decay_a=0.1,
       learning_rate_decay_b=50000 * 100,
       learning_rate_schedule='discexp')

   Fluid:

   optimizer = fluid.optimizer.Momentum(
       learning_rate=fluid.layers.exponential_decay(
           learning_rate=learning_rate,
           decay_steps=40000,
           decay_rate=0.1,
           staircase=True),
       momentum=0.9,
       regularization=fluid.regularizer.L2Decay(0.0005), )
   opts = optimizer.minimize(loss)

3. 执行过程有所不同，Paddle 1用 trainer.train(...), Fluid用fluid.Executor(place).Run(...)。请仔细对比上述链接。

4. 输出loss和accuracy获取也不同。请仔细对比上述链接。

5. 模型保存等等都有所不同，请仔细对比上述链接。
   另外，Fluid的文档也在持续完善中，有任何问题，欢迎继续讨论。

[yeyupiaoling]

@wangkuiyi @qingqing01
谢谢您们的回答，非常感谢青青姐的详细回答，答得很具体。也期待Fluid有更好的文档