运行管理

概述

初始化网络之前要配置context参数，用于控制程序执行的策略。比如选择执行模式、选择执行后端、配置分布式相关参数等。按照context参数设置实现的不同功能，可以将其分为执行模式管理、硬件管理、分布式管理和维测管理等。

执行模式管理

MindSpore支持PyNative和Graph这两种运行模式：

• PYNATIVE_MODE：动态图模式，将神经网络中的各个算子逐一下发执行，方便用户编写和调试神经网络模型。

• GRAPH_MODE：静态图模式或者图模式，将神经网络模型编译成一整张图，然后下发执行。该模式利用图优化等技术提高运行性能，同时有助于规模部署和跨平台运行。

模式选择

通过设置可以控制程序运行的模式，默认情况下，MindSpore处于PyNative模式。

代码样例如下：

from mindspore import context
context.set_context(mode=context.GRAPH_MODE)

模式切换

实现两种模式之间的切换。

MindSpore处于PYNATIVE模式时，可以通过context.set_context(mode=context.GRAPH_MODE)切换为Graph模式；同样地，MindSpore处于Graph模式时，可以通过 context.set_context(mode=context.PYNATIVE_MODE)切换为PyNative模式。

代码样例如下：

import numpy as np
import mindspore.nn as nn
from mindspore import context, Tensor

context.set_context(mode=context.GRAPH_MODE, device_target="GPU")

conv = nn.Conv2d(3, 4, 3, bias_init='zeros')
input_data = Tensor(np.ones([1, 3, 5, 5]).astype(np.float32))
conv(input_data)
context.set_context(mode=context.PYNATIVE_MODE)
conv(input_data)

上面的例子先将运行模式设置为GRAPH_MODE模式，然后将模式切换为PYNATIVE_MODE模式，实现了模式的切换。

硬件管理

硬件管理部分主要包括device_target和device_id两个参数。

• device_target： 用于设置目标设备，支持Ascend、GPU和CPU，可以根据实际环境情况设置。

• device_id： 表示卡物理序号，即卡所在机器中的实际序号。如果目标设备为Ascend，且规格为NAscend（其中N>1，如8Ascend），在非分布式模式执行的情况下，为了避免设备的使用冲突，可以通过设置device_id决定程序执行的device编号，该编号范围为：0 ~ 服务器总设备数量-1，服务器总设备数量不能超过4096，默认为设备0。

在GPU和CPU上，设置device_id参数无效。

代码样例如下：

from mindspore import context
context.set_context(device_target="Ascend", device_id=6)

分布式管理

context中有专门用于配置并行训练参数的接口：context.set_auto_parallel_context，该接口必须在初始化网络之前调用。

分布式管理详细介绍可以查看分布式并行。

维测管理

为了方便维护和定位问题，context提供了大量维测相关的参数配置，如采集profiling数据、异步数据dump功能和print算子落盘等。

采集profiling数据

系统支持在训练过程中采集profiling数据，然后通过profiling工具进行性能分析。当前支持采集的profiling数据包括：

• enable_profiling：是否开启profiling功能。设置为True，表示开启profiling功能，从enable_options读取profiling的采集选项；设置为False，表示关闭profiling功能，仅采集training_trace。

• profiling_options：profiling采集选项，取值如下，支持采集多项数据。 result_path: Profiling采集结果文件保存路径。该参数指定的目录需要在启动训练的环境上（容器或Host侧）提前创建且确保安装时配置的运行用户具有读写权限，支持配置绝对路径或相对路径（相对执行命令时的当前路径）； training_trace：采集迭代轨迹数据，即训练任务及AI软件栈的软件信息，实现对训练任务的性能分析，重点关注数据增强、前后向计算、梯度聚合更新等相关数据，取值on/off。 task_trace：采集任务轨迹数据，即昇腾910处理器HWTS/AICore的硬件信息，分析任务开始、结束等信息，取值on/off； aicpu_trace: 采集aicpu数据增强的profiling数据。取值on/off； fp_point: training_trace为on时需要配置。指定训练网络迭代轨迹正向算子的开始位置，用于记录前向算子开始时间戳。配置值为指定的正向第一个算子名字。当该值为空时，系统自动获取正向第一个算子名字； bp_point: training_trace为on时需要配置。指定训练网络迭代轨迹反向算子的结束位置，用于记录反向算子结束时间戳。配置值为指定的反向最后一个算子名字。当该值为空时，系统自动获取反向最后一个算子名字； ai_core_metrics: 取值如下：

  • ArithmeticUtilization: 各种计算类指标占比统计。
  • PipeUtilization: 计算单元和搬运单元耗时占比，该项为默认值。
  • Memory: 外部内存读写类指令占比。
  • MemoryL0: 内部内存读写类指令占比。
  • ResourceConflictRatio: 流水线队列类指令占比。

代码样例如下：

from mindspore import context
context.set_context(enable_profiling=True, profiling_options= '{"result_path":"/home/data/output","training_trace":"on"}')

保存MindIR

通过context.set_context(save_graphs=True)来保存各个编译阶段的中间代码。

被保存的中间代码有两种格式：一个是后缀名为.ir的文本格式，一个是后缀名为.dot的图形化格式。

当网络规模较大时建议使用更高效的文本格式来查看，当网络规模不大时，建议使用更直观的图形化格式来查看。

代码样例如下：

from mindspore import context
context.set_context(save_graphs=True)

MindIR详细介绍可以查看MindSpore IR（MindIR）。

print算子落盘

默认情况下，MindSpore的自研print算子可以将用户输入的Tensor或字符串信息打印出来，支持多字符串输入，多Tensor输入和字符串与Tensor的混合输入，输入参数以逗号隔开。

Print打印功能可以查看Print算子功能介绍。

• print_file_path：可以将print算子数据保存到文件，同时关闭屏幕打印功能。如果保存的文件已经存在，则会给文件添加时间戳后缀。数据保存到文件可以解决数据量较大时屏幕打印数据丢失的问题。

代码样例如下：

from mindspore import context
context.set_context(print_file_path="print.pb")

context接口详细介绍可以查看mindspore.context。