add cn apt2

docs/api/api_python/mindspore/mindspore.async_ckpt_thread_status.rst

@@ -0,0 +1,13 @@
+mindspore.async_ckpt_thread_status
+=======================================
+
+.. py:class:: mindspore.async_ckpt_thread_status()
+
+    获取异步保存checkpoint文件线程的状态。
+
+    在执行异步保存checkpoint时，可以通过该函数获取线程状态以确保写入checkpoint文件已完成。
+
+    **返回：**
+
+    True，异步保存checkpoint线程正在运行。
+    False，异步保存checkpoint线程未运行。

docs/api/api_python/mindspore/mindspore.build_train_network.txt

@@ -0,0 +1,30 @@
+mindspore.build_train_network
+=======================================
+
+.. py:class:: mindspore.build_train_network(network, optimizer, loss_fn=None, level='O0', boost_level='O0', **kwargs)
+
+    构建混合精度训练网络。
+
+    **参数：**
+
+    - **network** (Cell) – MindSpore的网络结构。
+    - **optimizer** (Optimizer) – 优化器，用于更新参数。
+    - **loss_fn** (Union[None, Cell]) – 损失函数的定义，如果为None,网络结构中应该包含损失函数。默认值：None。
+    - **level** (str) – 支持["O0", "O2", "O3", "auto"]。默认值："O0"。
+      - **O0** - 不进行精度变化。
+      - **O2** - 使网络在float16精度下运行，如果网络结构中含有`batchnorm`和`loss_fn`，使它们在float32下运行。
+      - **O3** - 使网络在float16精度下运行，并且设置`keep_batchnorm_fp32`为Flase。
+      - **auto** - 根据不同后端设置不同的级别。在GPU上设置为O2，Ascend上设置为O3。自动设置的选项为系统推荐，在特殊场景下可能并不适用。用户可以根据网络实际情况去设置。GPU推荐O2，Ascend推荐O3，`keep_batchnorm_fp32`，`cast_model_type`和`loss_scale_manager`属性由level自动决定，有可能被`kwargs`参数覆盖。
+    - **boost_level** (str) – `mindspore.boost` 中参数 `level` 的选项，设置boost的训练模式级别。支持["O0", "O1", "O2"]. 默认值: "O0".
+      - **O0** - 不进行精度变化。
+      - **O2** - 开启boost模式，性能提升20%左右，精度与原始精度相同。
+      - **O3** - 开启boost模式，性能提升30%左右，准确率降低小于3%。
+      如果设置了 O1 或 O2 模式，boost相关库将自动生效。
+    - **cast_model_type** (mindspore.dtype) – 支持float16，float32。如果设置了该参数，网络将被转化为设置的数据类型，而不会根据设置的level进行转换。
+    - **keep_batchnorm_fp32** (bool) – 当网络被设置为float16时，将保持Batchnorm在float32中运行。设置level不会影响该属性。
+    - **loss_scale_manager** (Union[None, LossScaleManager]) – 如果为None，则不进行loss_scale，否则将根据`LossScaleManager`进行loss_scale。如果设置了，`level`将不会影响这个属性。
+
+    **异常：**
+
+    - **ValueError** – 仅在GPU和Ascend上支持自动混合精度。如果设备是 CPU，则为 `ValueError`。
+    - **ValueError** - 如果是CPU，则属性 `loss_scale_manager` 只能设置为 `None` 或 `FixedLossScaleManager`。

docs/api/api_python/mindspore/mindspore.load.rst

@@ -0,0 +1,41 @@
+mindspore.load
+=======================================
+
+.. py:class:: mindspore.load(file_name, **kwargs)
+
+    加载MindIR文件。
+
+    返回的对象可以由`GraphCell`执行，更多细节参见类:class:`mindspore.nn.GraphCell`。
+
+    **参数：**
+
+    - **file_name** (str) – MindIR文件名。
+    - **kwargs** (dict) – 配置项字典。
+      - **dec_key** (bytes) - 用于解密的字节类型密钥。 有效长度为 16、24 或 32。
+      - **dec_mode** - 指定解密模式，设置dec_key时生效。可选项：'AES-GCM' | 'AES-CBC'。 默认值：“AES-GCM”。
+
+    **返回：**
+
+        Object，一个可以由`GraphCell`构成的可执行的编译图。
+
+    **异常：**
+
+    - **ValueError** – MindIR 文件名不正确。
+    - **RuntimeError** - 解析MindIR文件失败。
+
+    **样例：**
+
+    >>> import numpy as np
+    >>> import mindspore.nn as nn
+    >>> from mindspore import Tensor, export, load
+    >>>
+    >>> net = nn.Conv2d(1, 1, kernel_size=3, weight_init="ones")
+    >>> input_tensor = Tensor(np.ones([1, 1, 3, 3]).astype(np.float32))
+    >>> export(net, input_tensor, file_name="net", file_format="MINDIR")
+    >>> graph = load("net.mindir")
+    >>> net = nn.GraphCell(graph)
+    >>> output = net(input_tensor)
+    >>> print(output)
+    [[[[4. 6. 4.]
+       [6. 9. 6.]
+       [4. 6. 4.]]]]

docs/api/api_python/mindspore/mindspore.parse_print.rst

@@ -0,0 +1,47 @@
+mindspore.parse_print
+=======================================
+
+.. py:class:: mindspore.parse_print(print_file_name)
+
+    解析由 mindspore.ops.Print 生成的保存数据。
+
+    将数据打印到屏幕上。也可以通过设置`context`中的参数`print_file_path`来关闭，数据会保存在`print_file_path`指定的文件中。 parse_print 用于解析保存的文件。 更多信息请参考:func:`mindspore.context.set_context` 和:class:`mindspore.ops.Print`。
+
+    **参数：**
+
+    - **print_file_name** (str) – 保存打印数据的文件名。
+
+    **返回：**
+
+        List，由Tensor组成的list。
+
+    **异常：**
+
+    - **ValueError** – 指定的文件名可能为空，请确保输入正确的文件名。
+
+    **样例：**
+
+    >>> import numpy as np
+    >>> import mindspore
+    >>> import mindspore.ops as ops
+    >>> from mindspore.nn as nn
+    >>> from mindspore import Tensor, context
+    >>> context.set_context(mode=context.GRAPH_MODE, print_file_path='log.data')
+    >>> class PrintInputTensor(nn.Cell):
+    ...         def __init__(self):
+    ...             super().__init__()
+    ...             self.print = ops.Print()
+    ...
+    ...         def construct(self, input_pra):
+    ...             self.print('print:', input_pra)
+    ...             return input_pra
+
+    >>> x = np.array([[1, 2, 3, 4], [5, 6, 7, 8]]).astype(np.float32)
+    >>> input_pra = Tensor(x)
+    >>> net = PrintInputTensor()
+    >>> net(input_pra)
+    >>> data = mindspore.parse_print('./log.data')
+    >>> print(data)
+    ['print:', Tensor(shape=[2, 4], dtype=Float32, value=
+    [[ 1.00000000e+00,  2.00000000e+00,  3.00000000e+00,  4.00000000e+00],
+    [ 5.00000000e+00,  6.00000000e+00,  7.00000000e+00,  8.00000000e+00]])]