為了方便在PAI控制臺上試用FastNN，cifar10、mnist、flowers數據已下載并轉換為tfrecord后存儲在公開OSS上，可通過PAI的讀數據表或OSS數據同步組件訪問。存儲OSS的路徑如下。

FastNN庫已支持讀取tfrecord格式的數據，并基于TFRecordDataset接口實現dataset pipeline以供模型訓練試用，幾乎可掩蓋數據預處理時間。另外，由于目前FastNN庫在數據分片方面不夠精細，建議您在準備數據時，盡量保證數據能平均分配到每臺機器，即：

• 每個tfrecord文件的樣本數量基本一致。

• 每個worker處理的tfrecord文件數量基本一致。

假設cifar10數據的key_to_features格式為如下。

features={
        'image/encoded': tf.FixedLenFeature((), tf.string, default_value=''),
        'image/format': tf.FixedLenFeature((), tf.string, default_value='png'),
        'image/class/label': tf.FixedLenFeature(
          [], tf.int64, default_value=tf.zeros([], dtype=tf.int64)),
}

1. 在datasets目錄下創建數據解析文件cifar10.py，并編輯內容。

   """Provides data for the Cifar10 dataset.
   The dataset scripts used to create the dataset can be found at:
   datasets/download_and_covert_data/download_and_convert_cifar10.py
   """
   from __future__ import division
   from __future__ import print_function
   import tensorflow as tf
   """Expect func_name is ‘parse_fn’
   """
   def parse_fn(example):
     with tf.device("/cpu:0"):
       features = tf.parse_single_example(
         example,
         features={
           'image/encoded': tf.FixedLenFeature((), tf.string, default_value=''),
           'image/format': tf.FixedLenFeature((), tf.string, default_value='png'),
           'image/class/label': tf.FixedLenFeature(
             [], tf.int64, default_value=tf.zeros([], dtype=tf.int64)),
         }
       )
       image = tf.image.decode_jpeg(features['image/encoded'], channels=3)
       label = features['image/class/label']
       return image, label

2. 在datasets/dataset_factory.py中補足dataset_map。

   from datasets import cifar10
   datasets_map = {
       'cifar10': cifar10,
   }

3. 執行任務腳本時，指定參數dataset_name=cifar10和train_files=cifar10_train.tfrecord，即可使用cifar10數據進行模型訓練。

PAI-FastNN支持以下類型的超參：

• 數據集參數：確定訓練集的基本屬性的參數，例如訓練集存儲路徑dataset_dir。

• 數據預處理參數：數據預處理函數及dataset pipeline相關參數。

• 模型參數：模型訓練基本參數，包括model_name、batch_size等。

• 學習率參數：學習率及其相關調優參數。

• 優化器參數：優化器及其相關參數。

• 日志參數：關于輸出日志的參數。

• 性能調優參數：混合精度等其他調優參數。

超參文件的格式如下。

enable_paisora=True
batch_size=128
use_fp16=True
dataset_name=flowers
dataset_dir=oss://pai-online-beijing.oss-cn-beijing-internal.aliyuncs.com/fastnn-data/flowers/
model_name=inception_resnet_v2
optimizer=sgd
num_classes=5
job_name=worker

• 數據集參數

  名稱	類型	描述
  dataset_name	string	指定輸入數據解析文件的名稱。取值包括：mock、cifar10、mnist、flowers，取值說明請參見images/datasets目錄下所有的數據解析文件。默認使用模擬數據mock。
  dataset_dir	string	指定輸入數據集的絕對路徑，默認為None。
  num_sample_per_epoch	integer	指定數據集總樣本數，一般用來配合學習率的衰減。
  num_classes	integer	指定樣本分類數，默認為100。
  train_files	string	指定所有訓練數據的文件名，文件間分隔符為逗號，例如0.tfrecord,1.tfrecord。

• 數據預處理參數

  名稱	類型	描述
  preprocessing_name	string	和model_name共同指定數據預處理的方法名，取值范圍請參見images/preprocessing目錄下的preprocessing_factory文件。默認設置為None，表示不進行數據預處理。
  shuffle_buffer_size	integer	在生成數據流水線時，以樣本為粒度進行shuffle的緩存池大小，默認為1024。
  num_parallel_batches	integer	與batch_size乘積為map_and_batch的并行線程數，協助指定解析樣本的并行粒度，默認為8。
  prefetch_buffer_size	integer	指定數據流水線預取數據的批數，默認為32。
  num_preprocessing_threads	integer	指定數據流水線進行并行數據預取的線程數，默認為16。
  datasets_use_caching	bool	是否打開以內存為開銷，進行輸入數據的壓縮緩存。默認為False，表示不打開。

• 模型參數

  名稱	類型	描述
  task_type	string	任務類型，取值包括： pretrain：模型預訓練，默認。 finetune：模型調優
  model_name	string	指定進行訓練的模型，取值包括images/models下的所有模型。您可以參考images/models/model_factory文件中所有定義的模型設置model_name，默認為inception_resnet_v2。
  num_epochs	integer	訓練集訓練輪數，默認為100。
  weight_decay	float	模型訓練時權重的衰減系數，默認為0.00004。
  max_gradient_norm	float	是否根據全局歸一化值進行梯度裁剪。默認為None，表示不進行梯度裁剪。
  batch_size	integer	單卡一次迭代處理的數據量，默認為32。
  model_dir	string	重載checkpoint的路徑。默認為None，表示不進行模型調優。
  ckpt_file_name	string	重載checkpoint的文件名，默認為None。

• 學習率參數

  名稱	類型	描述
  warmup_steps	integer	逆衰減學習率的迭代數，默認為0。
  warmup_scheme	string	學習率逆衰減的方式。取值為t2t（Tensor2Tensor），表示初始化為指定學習率的1/100，然后exponentiate逆衰減到指定學習率為止。
  decay_scheme	string	學習率衰減的方式。可選值： luong234：在2/3的總迭代數之后，開始4次衰減，衰減系數為1/2。 luong5：在1/2的總迭代數之后，開始5次衰減，衰減系數為1/2。 luong10：在1/2的總迭代數之后，開始10次衰減，衰減系數為1/2。
  learning_rate_decay_factor	float	指定學習率衰減系數，默認為0.94。
  learning_rate_decay_type	string	指定學習率衰減類型，可選值：fixed、exponential（默認）和polynomial。
  learning_rate	float	指定學習率初始值，默認為0.01。
  end_learning_rate	float	指定衰減時學習率值的下限，默認為0.0001。

• 優化器參數

  名稱	類型	描述
  optimizer	string	指定優化器名稱。可選值：adadelta、 adagrad、adam、ftrl、momentum、sgd、rmsprop、adamweightdecay， 默認為rmsprop。
  adadelta_rho	float	adadelta的衰減系數，默認為0.95。
  adagrad_initial_accumulator_value	float	AdaGrad積累器的起始值，默認為0.1。是AdaGrad優化器專用參數。
  adam_beta1	float	一次動量預測的指數衰減率，默認為0.9。是Adam優化器專用參數。
  adam_beta2	float	二次動量預測的指數衰減率，默認為0.999。是Adam優化器專用參數。
  opt_epsilon	float	優化器偏置值，默認為1.0。是Adam優化器專用參數。
  ftrl_learning_rate_power	float	學習率參數的冪參數，默認為-0.5。是Ftrl優化器專用參數。
  ftrl_initial_accumulator_value	float	FTRL積累器的起始，默認為0.1，是Ftrl優化器專用參數。
  ftrl_l1	float	FTRL l1正則項，默認為0.0，是Ftrl優化器專用參數。
  ftrl_l2	float	FTRL l2正則項，默認為0.0，是Ftrl優化器專用參數。
  momentum	float	MomentumOptimizer的動量參數，默認為0.9，是Momentum優化器專用參數。
  rmsprop_momentum	float	RMSPropOptimizer的動量參數，默認為0.9。
  rmsprop_decay	float	RMSProp的衰減系數，默認為0.9。

• 日志參數

  名稱	類型	描述
  stop_at_step	integer	訓練總迭代數，默認為100。
  log_loss_every_n_iters	integer	打印loss信息的迭代頻率，默認為10。
  profile_every_n_iters	integer	打印timeline的迭代頻率，默認為0。
  profile_at_task	integer	輸出timeline的機器對應索引，默認為0，對應chief worker。
  log_device_placement	bool	是否輸出device placement信息，默認為False。
  print_model_statistics	bool	是否輸出可訓練變量信息，默認為false。
  hooks	string	訓練hooks，默認為StopAtStepHook,ProfilerHook,LoggingTensorHook,CheckpointSaverHook。

• 性能調優參數

  名稱	類型	描述
  use_fp16	bool	是否進行半精度訓練，默認為True。
  loss_scale	float	訓練中loss值scale的系數，默認為1.0。
  enable_paisoar	bool	是否使用paisoar框架，默認True。
  protocol	string	默認grpc.rdma集群可以使用grpc+verbs，提升數據存取效率。

如果已有模型無法滿足您的需求，您可以通過繼承dataset、models和preprocessing接口進一步開發。在此之前需要了解FastNN庫的基本流程（以images為例，代碼入口文件為train_image_classifiers.py），整體代碼架構流程如下。

# 根據model_name初始化models中對應模型得到network_fn，并可能返回輸入參數train_image_size。
    network_fn = nets_factory.get_network_fn(
            FLAGS.model_name,
            num_classes=FLAGS.num_classes,
            weight_decay=FLAGS.weight_decay,
            is_training=(FLAGS.task_type in ['pretrain', 'finetune']))
# 根據model_name或preprocessing_name初始化相應數據預處理函數得到preprocess_fn。
    preprocessing_fn = preprocessing_factory.get_preprocessing(
                FLAGS.model_name or FLAGS.preprocessing_name,
                is_training=(FLAGS.task_type in ['pretrain', 'finetune']))
# 根據dataset_name，選擇正確的tfrecord格式，同步調用preprocess_fn解析數據集得到數據dataset_iterator。
    dataset_iterator = dataset_factory.get_dataset_iterator(FLAGS.dataset_name,
                                                            train_image_size,
                                                            preprocessing_fn,
                                                            data_sources,
# 調用network_fn、dataset_iterator，定義計算loss的函數loss_fn。
    def loss_fn():
      with tf.device('/cpu:0'):
          images, labels = dataset_iterator.get_next()
        logits, end_points = network_fn(images)
        loss = tf.losses.sparse_softmax_cross_entropy(labels=labels, logits=tf.cast(logits, tf.float32), weights=1.0)
        if 'AuxLogits' in end_points:
          loss += tf.losses.sparse_softmax_cross_entropy(labels=labels, logits=tf.cast(end_points['AuxLogits'], tf.float32), weights=0.4)
        return loss
# 調用PAI-Soar API封裝loss_fn、tf原生optimizer。
    opt = paisoar.ReplicatedVarsOptimizer(optimizer, clip_norm=FLAGS.max_gradient_norm)
    loss = optimizer.compute_loss(loss_fn, loss_scale=FLAGS.loss_scale)
# 根據opt和loss形式化定義training tensor。
    train_op = opt.minimize(loss, global_step=global_step)