本文讲解飞桨框架的基本使用方法：第1部分介绍神经网络的构建；第2部分讲解神经网络训练过程；第3部分介绍模型权重的保存和加载。

1. 神经网络构建

使用飞桨框架构建神经网络的流程如下：

1. 导入paddle库；
2. 定义继承自paddle.nn.Layer的类，在__init__()方法中初始化神经网络的子层（或参数）；
3. 重写forward()方法，在该方法中实现神经网络计算流程。

在__init__()方法中初始化神经网络子层的本质是初始化神经网络的参数，不同的子层实质上是不同的部分参数初始化及前向计算流程的封装。下面两种网络构建方式是等同的：

import paddle


# 构建方法一：使用飞桨框架内置封装好的子层
class LinearNet1(paddle.nn.Layer):
 def __init__(self):
     super(LinearNet1, self).__init__()

     # 使用飞桨框架封装好的Linear层
     self.linear = paddle.nn.Linear(in_features=3, out_features=2)

 def forward(self, x):
     return self.linear(x)


# 构建方法二：自定义神经网络参数
class LinearNet2(paddle.nn.Layer):
 def __init__(self):
     super(LinearNet2, self).__init__()

     # 自定义神经网络参数
     w = self.create_parameter(shape=[3, 2])
     b = self.create_parameter(shape=[2], is_bias=True)
     self.add_parameter('w', w)
     self.add_parameter('b', b)

 def forward(self, x):
     x = paddle.matmul(x, self.w)
     x = x + self.b
     return x


if __name__ == "__main__":
 model1 = LinearNet1()
 model2 = LinearNet2()

 print('LinearNet1模型结构信息：')
 paddle.summary(model1, input_size=(None, 3))
 print('LinearNet2模型结构信息：')
 paddle.summary(model2, input_size=(None, 3))

输出两种模型结构信息如下：

LinearNet1模型结构信息：
---------------------------------------------------------------------------
Layer (type)       Input Shape          Output Shape         Param #    
===========================================================================
Linear-1           [[1, 3]]              [1, 2]               8       
===========================================================================
Total params: 8
Trainable params: 8
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.00
Params size (MB): 0.00
Estimated Total Size (MB): 0.00
---------------------------------------------------------------------------

LinearNet2模型结构信息：
---------------------------------------------------------------------------
Layer (type)       Input Shape          Output Shape         Param #    
===========================================================================
LinearNet2-1         [[1, 3]]              [1, 2]               8       
===========================================================================
Total params: 8
Trainable params: 8
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.00
Params size (MB): 0.00
Estimated Total Size (MB): 0.00
---------------------------------------------------------------------------

2. 神经网络训练
使用飞桨框架训练神经网络的流程如下：

1. 实例化模型对象model；
2. 使用model.eval()，将模型更改为eval模式；
3. 定义优化器opt，指定优化参数；
4. 在循环中输入数据，执行模型前向计算流程，得到前向输出结果；
5. 计算前向输出结果和数据的标签的损失loss；
6. 使用loss.backward()进行后向传播，计算loss关于模型参数的梯度；
7. 使用opt.step()更新一次模型参数；
8. 使用opt.clear_grad()清除模型参数梯度；
9. 回到4，继续优化模型参数。

示例代码如下：

def train(epochs: int = 5):
    """
    训练过程示例

    :param epochs: 对数据集的遍历次数
    :return:
    """
    # 实例化模型对象
    model = LinearNet1()
    # 更改为eval模式
    model.eval()

    # 定义优化器
    opt = paddle.optimizer.SGD(learning_rate=1e-2, parameters=model.parameters())

    for epoch in range(epochs):
        # 生成随机的输入和标签
        fake_inputs = paddle.randn(shape=(10, 3), dtype='float32')
        fake_labels = paddle.randn(shape=(10, 2), dtype='float32')

        # 前向计算
        output = model(fake_inputs)
        # 计算损失
        loss = paddle.nn.functional.mse_loss(output, fake_labels)

        print(f'Epoch:{epoch}, Loss:{loss.numpy()}')

        # 后向传播
        loss.backward()
        # 参数更新
        opt.step()
        # 清除梯度
        opt.clear_grad()

打印输出如下：

Epoch:0, Loss:[1.5520184]
Epoch:1, Loss:[1.6992496]
Epoch:2, Loss:[1.9622276]
Epoch:3, Loss:[2.1343968]
Epoch:4, Loss:[1.221286]

3. 模型权重的保存和加载
飞桨框架提供了非常简单易用的API实现在模型训练和应用时保存或加载模型参数。具体如下：

保存模型参数：

• paddle.save(model.state_dict(), 'save_path/model.pdparams')

加载模型参数：

• state_dict = paddle.load('save_path/model.pdparams')
• model.set_state_dict(state_dict)