|
- mindspore.context
-
- MindSpore上下文，用于配置当前执行环境，包括执行模式、执行后端和其他特性开关。
-
- get_context(attr_key)
-
- 根据输入key获取上下文中的属性值。
- 如果某些属性没有设置，则会自动获取这些属性。
-
- 参数：
- attr_key (str)：属性的key。
-
- 返回：
- Object，表示给定属性key的值。
-
- 异常：
- ValueError：输入key不是上下文中的属性。
- 样例：
- >>> context.get_context("device_target")
- >>> context.get_context("device_id")
-
- set_context(**kwargs)
-
- 设置运行环境的上下文。
-
- 在运行程序之前，应配置上下文。如果没有配置，默认情况下将根据设备目标进行自动设置。
-
- 注：
- 设置属性时，必须输入属性名称。
- 初始化网络后不建议更改模式，因为某些操作在图模式和PyNative模式下是不同的。默认值：GRAPH_MODE。
-
- 某些配置适用于特定的设备，有关详细信息，请参见下表：
-
- +-------------------------+------------------------------+----------------------------+
- | 功能分类 | 配置参数 | 硬件平台支持|
- +=========================+==============================+============================+
- | 系统配置 | device_id | CPU/GPU/Ascend |
- | +------------------------------+----------------------------+
- | | device_target | CPU/GPU/Ascend |
- | +------------------------------+----------------------------+
- | | max_device_memory | GPU |
- | +------------------------------+----------------------------+
- | | variable_memory_max_size | Ascend |
- +-------------------------+------------------------------+----------------------------+
- | 调试配置 | save_graphs | CPU/GPU/Ascend |
- | +------------------------------+----------------------------+
- | | save_graphs_path | CPU/GPU/Ascend |
- | +------------------------------+----------------------------+
- | | enable_dump | Ascend |
- | +------------------------------+----------------------------+
- | | save_dump_path | Ascend |
- | +------------------------------+----------------------------+
- | | enable_profiling | Ascend |
- | +------------------------------+----------------------------+
- | | profiling_options | Ascend |
- | +------------------------------+----------------------------+
- | | print_file_path | Ascend |
- | +------------------------------+----------------------------+
- | | env_config_path | CPU/GPU/Ascend |
- | +------------------------------+----------------------------+
- | | precompile_only | CPU/GPU/Ascend |
- | +------------------------------+----------------------------+
- | | reserve_class_name_in_scope | CPU/GPU/Ascend |
- | +------------------------------+----------------------------+
- | | pynative_synchronize | GPU/Ascend |
- +-------------------------+------------------------------+----------------------------+
- | 执行控制 | mode | CPU/GPU/Ascend |
- | +------------------------------+----------------------------+
- | | enable_graph_kernel | Ascend/GPU |
- | +------------------------------+----------------------------+
- | | graph_kernel_flags | Ascend/GPU |
- | +------------------------------+----------------------------+
- | | enable_reduce_precision | Ascend |
- | +------------------------------+----------------------------+
- | | auto_tune_mode | Ascend |
- | +------------------------------+----------------------------+
- | | check_bprop | CPU/GPU/Ascend |
- | +------------------------------+----------------------------+
- | | max_call_depth | CPU/GPU/Ascend |
- | +------------------------------+----------------------------+
- | | enable_sparse | CPU/GPU/Ascend |
- | +------------------------------+----------------------------+
- | | grad_for_scalar | CPU/GPU/Ascend |
- | +------------------------------+----------------------------+
- | | save_compile_cache | CPU/GPU/Ascend |
- | +------------------------------+----------------------------+
- | | load_compile_cache | CPU/GPU/Ascend |
- +-------------------------+------------------------------+----------------------------+
-
- 参数：
- device_id (int)：表示目标设备的ID，其值必须在[0, device_num_per_host-1]范围中，且device_num_per_host的值不应超过4096。默认值：0。
- device_target (str)：表示待运行的目标设备，支持Ascend、GPU和CPU。
- 如果未设置设备目标，则使用MindSpore包的版本。
- max_device_memory (str)：设置设备可用的最大内存。
- 目前，仅在GPU上支持。格式为“xxGB”。默认值：1024GB。
- 实际使用的内存大小是设备的可用内存和max_device_memory值中的最小值。
- variable_memory_max_size (str)：设置可变内存的最大值。默认值：30GB。
- 设置此参数后，框架使用的最大内存受配置值的限制。
- save_graphs (bool)：表示是否保存图形。默认值：False。
- 当`save_graphs`属性设为True时，`save_graphs_path`属性用于设置中间编译图的存储路径。默认情况下，图形保存在当前目录下。
- save_graphs_path (str)：表示保存图形的路径。默认值："."。
- 如果指定的目录不存在，系统将自动创建该目录。
- 在分布式训练中，图形将被保存到`save_graphs_path/rank_${rank_id}/`目录下。`rank_id`为集群中当前设备的ID。
- enable_dump (bool)：此参数已弃用，将在下一版本中删除。
- save_dump_path (str)：此参数已弃用，将在下一版本中删除。
- enable_profiling (bool)：此参数已弃用，将在下一版本中删除。
- 请使用mindspore.profiler.Profiler API。
- profiling_options (str)：此参数已弃用，将在下一版本中删除。
- 请使用mindspore.profiler.Profiler API。
- print_file_path (str)：表示用于保存打印数据的路径。如果设置了该参数，默认将打印数据保存到文件中。如果不设置print_file_path，则显示该屏幕。
- 如果保存的文件已经存在，将添加时间戳后缀到文件中。将数据保存到文件中，解决了在产生大量数据时屏幕打印中数据丢失的问题。
- 如果没有设置该参数，则会报错：prompt to set the upper absolute path。
- env_config_path (str)：通过context.set_context(env_config_path="./mindspore_config.json")来配置DFX的路径。
-
-
- 配置Running Data Recorder：
-
- - enable：表示在发生故障时是否启用Running Data Recorder去收集和保存训练中的关键数据。设置为True时，将打开Running Data Recorder。
- 设置为False时，将关闭Running Data Recorder。
- - path：设置Running Data Recorder保存数据的路径。当前路径必须是一个绝对路径。
-
- 内存重用：
-
- - mem_Reuse：表示内存复用功能是否打开。设置为True时，将打开内存复用功能。设置为False时，将关闭内存复用功能。
-
- precompile_only (bool)：表示是否仅预编译网络。默认值：False。
- 设置为True时，仅编译网络，而不执行网络。
- reserve_class_name_in_scope (bool)：表示是否将网络类名称保存到所属作用域中。默认值：True。
- 每个节点都有一个作用域。子节点的作用域是其父节点。如果reserve_class_name_in_scope设置为True，则类名将保存在作用域中的关键字“net-”之后。
- 例如：
-
- Default/net-Net1/net-Net2 (reserve_class_name_in_scope=True)
-
- Default/net/net (reserve_class_name_in_scope=False)
-
- pynative_synchronize (bool)：表示是否在PyNative模式下启动设备同步执行。
- 默认值：False。设置为False时，将在设备上异步执行算子。
- 当算子执行出错时，将无法定位特定错误脚本代码的位置。当设置为True时，将在设备上同步执行算子。这将降低程序的执行性能。此时，当算子执行出错时，可以根据错误的调用栈来定位错误脚本代码的位置。
- mode (int)：表示在GRAPH_MODE(0)或PYNATIVE_MODE(1)模式中的运行。默认值：GRAPH_MODE(0)。
- GRAPH_MODE或PYNATIVE_MODE可以通过`mode`属性设置，两种模式都支持所有后端。默认模式为GRAPH_MODE。
- enable_graph_kernel (bool)：表示是否启用图算融合去优化网络执行性能。
- 默认值：False。
- 表示是否启用图算融合去优化网络执行性能。
- 如果enable_graph_kernel设置为True，则可以启用加速。
- 有关图算融合的详细信息，请查看`使能图算融合`（https://www.mindspore.cn/docs/programming_guide/zh-CN/master/enable_graph_kernel_fusion.html）。
-
- graph_kernel_flags (str) –
- 图算融合的优化选项，当与enable_graph_kernel冲突时，它的优先级更高。其仅适用于有经验的用户。
- 例如，context.set_context(graph_kernel_flags="--opt_level=2 --dump_as_text")。一些常用选项：
-
- - opt_level：设置优化级别。
- 默认值：2。当opt_level的值大于0时，启动图算融合。
- 可选值包括：
-
- - 0：关闭图算融合。
- - 1：启动算子的基本融合。
- - 2：包括级别1的所有优化，并打开更多的优化，如CSE优化算法、算术简化等。
- - 3：包括级别2的所有优化，并打开更多的优化，如SitchingFusion、ParallelFusion等。
- 在某些场景下，该级别的优化激进且不稳定。使用此级别时要小心。
-
- - dump_as_text：将详细信息转储为文本文件。默认值：False。
-
- 有关更多选项，可以参考实现代码。这些选项也可以通过环境变量MS_GRAPH_KERNEL_FLAGS设置，而无需修改网络源代码。
- 例如，导出MS_GRAPH_KERNEL_FLAGS="--opt_level=2 --dump_as_text"。
- enable_reduce_precision (bool)：表示是否开启降低精度计算。默认值：True。
- 设置为True时，不支持用户指定的精度，且精度将自动更改。
- 设置为False时，如果未指定用例的精度，则会报错并退出。
- auto_tune_mode (str)：表示算子构建时的自动调整模式，以获得最佳的切分性能。
- 默认值：NO_TUNE。其值必须在【'RL', 'GA', 'RL,GA'】范围中。
-
- - RL：强化学习调优。
- - GA：遗传算法调优。
- - RL，GA：当RL和GA优化同时打开时，工具会根据网络模型中的不同算子类型自动选择RL或GA。RL和GA的顺序没有区别。
- （自动选择）。
-
- 有关启用算子调优工具设置的更多信息，请查看`使能算子调优工具`（https://www.mindspore.cn/docs/programming_guide/zh-CN/master/enable_auto_tune.html）。
-
-
- check_bprop (bool)：表示是否检查反向传播节点，以确保反向传播节点输出的形状(shape)和数据类型与输入参数相同。默认值：False。
- max_call_depth (int)：指定函数调用的最大深度。其值必须为正整数。默认值：1000。
- 当嵌套Cell太深或子图数量太多时，需要设置max_call_depth参数。如果max_call_depth的值比以前的大，则应把系统最大堆栈深度设得更大，否则可能会因为系统堆栈溢出而引发`core dumped`异常。
- enable_sparse (bool)：表示是否启用稀疏特征。默认值：False。
- 有关稀疏特征和稀疏张量的详细信息，请查看`稀疏张量`（https://www.mindspore.cn/docs/programming_guide/zh-CN/master/tensor.html#sparse-tensor）。
- grad_for_scalar (bool)： 表示是否获取标量梯度。默认值：False。
- 当grad_for_scalar设置为True时，则衍生函数的标量输入。
- 默认值为False。由于后端目前不支持伸缩操作，所以该接口只支持在前端可推演的简单操作。
- enable_compile_cache (bool)：表示是否加载或者保存前端编译的图。当enable_compile_cache被设置为True时，在第一次执行的过程中，一个硬件无关的编译缓存会被生成并且导出为一个MINDIR文件。
- 当该网络被再次执行时，如果enable_compile_cache仍然为True并且网络脚本没有被更改，那么这个编译缓存会被加载。注意目前只支持有限的Python脚本更改的自动检测，这意味着可能有正确性风险。默认值：False。
- 这是一个实验原型，可能会被更改或者删除。
- compile_cache_path (str)：保存前端图编译缓存的路径。默认值："."。如果目录不存在，系统会自动创建这个目录。缓存会被保存到如下目录：`compile_cache_path/rank_${rank_id}/`。
- `rank_id`是集群上当前设备的ID。
-
- 异常：
- ValueError：输入key不是上下文中的属性。
-
- 样例：
- >>> context.set_context(mode=context.PYNATIVE_MODE)
- >>> context.set_context(precompile_only=True)
- >>> context.set_context(device_target="Ascend")
- >>> context.set_context(device_id=0)
- >>> context.set_context(save_graphs=True, save_graphs_path="./model.ms")
- >>> context.set_context(enable_reduce_precision=True)
- >>> context.set_context(enable_dump=True, save_dump_path=".")
- >>> context.set_context(enable_graph_kernel=True)
- >>> context.set_context(graph_kernel_flags="--opt_level=2 --dump_as_text")
- >>> context.set_context(reserve_class_name_in_scope=True)
- >>> context.set_context(variable_memory_max_size="6GB")
- >>> context.set_context(enable_profiling=True,
- ... profiling_options='{"output":"/home/data/output","training_trace":"on"}')
- >>> context.set_context(check_bprop=True)
- >>> context.set_context(max_device_memory="3.5GB")
- >>> context.set_context(print_file_path="print.pb")
- >>> context.set_context(enable_sparse=True)
- >>> context.set_context(max_call_depth=80)
- >>> context.set_context(env_config_path="./env_config.json")
- >>> context.set_context(auto_tune_mode="GA,RL")
- >>> context.set_context(grad_for_scalar=True)
- >>> context.set_context(save_compile_cache=True)
- >>> context.set_context(load_compile_cache=True)
- >>> context.set_context(pynative_synchronize=True)
|
