代码拉取完成，页面将自动刷新
感谢以下人员做出的贡献:
AlanCheng511，AlanCheng712，bantao，Bingliang，BJ-WANG，Bokai Li，Brian-K，caifubi，cao1zhg，CaoWenbin，ccsszz，chaiyouheng，changzherui，chenfei_mindspore，chengbin，chengfeng27，chengxb7532，chenjianping，chenkang，chenweifeng，Chong，chuht，chujinjin，Cynthia叶，dairenjie，DavidFFFan，DeshiChen，douzhixing，emmmmtang，Erpim，fangzhou0329，fary86，fengxun，fengyixing，fuhouyu，gaoshuanglong，gaoyong10，GaoZhenlong，gengdongjie，gent1e，Greatpan，GTT，guoqi，guoxiaokang1，GuoZhibin，guozhijian，hangq，hanhuifeng，haozhang，hedongdong，hejianheng，Henry Shi，heyingjiao，HighCloud，Hongxing，huandong1，huangbingjian，HuangLe02，huangxinjing，huangziling，hujiahui8，huoxinyou，jiangchenglin3，jianghui58，jiangshanfeng，jiaorui，jiaxueyu，JichenZhao，jijiarong，jjfeing，JoeyLin，JuiceZ，jxl，kairui_kou，kate，KevinYi，kisnwang，lanzhineng，liangchenghui，LiangZhibo，lianliguang，lichen，ligan，lihao，limingqi107，ling，linqingke，liruyu，liubuyu，liuchao，liuchengji，liujunzhu，liuluobin，liutongtong9，liuzhuoran2333，liyan2022，liyejun，LLLRT，looop5，luochao60，luojianing，luoyang，LV，machenggui，maning202007，Margaret_wangrui，MaZhiming，mengyuanli，MooYeh，moran，Mrtutu，NaCN，nomindcarry，panshaowu，panzhihui，PingqiLi，qinzheng，qiuzhongya，Rice，shaojunsong，Shawny，shenwei41，shenyaxin，shunyuanhan，silver，Songyuanwei，tangdezhi_123，tanghuikang，tan-wei-cheng，TingWang，TronZhang，TuDouNi，VectorSL，WANG Cong，wang_ziqi，wanghenchang，wangpingan，wangshaocong，wangtongyu6，weiyang，WinXPQAQ，wtcheng，wudawei，wujiangming，wujueying，wuweikang，wwwbby，XianglongZeng，xiaosh，xiaotianci，xiaoxin_zhang，xiaoxiongzhu，xiaoyao，XinDu，xingzhongfan，yanghaoran，yangluhang，yangruoqi713，yangzhenzhang，yangzishuo，yanjiaming，Yanzhi_YI，yao_yf，yefeng，yeyunpeng2020，yide12，YijieChen，YingLai Lin，YingtongHu，youshu，yuchaojie，YuJianfeng，zangqx，zby，zhaiyukun，zhangdanyang，zhanghaibo，zhanghanLeo，zhangminli，zhangqinghua，zhangyanhui，zhangyifan，zhangyinxia，zhangyongxian，ZhangZGC，zhanzhan，zhaoting，zhengyafei，zhengzuohe，ZhihaoLi，zhouyaqiang0，zhuguodong，zhumingming，zhupuxu，zichun_ye，zjun，zlq2020，ZPaC，zuochuanyong，zyli2020，陈宇，代宇鑫，狄新凯，范吉斌，冯一航，胡彬，宦晓玲，黄勇，康伟，李良灿，李林杰，刘崇鸣，刘力力，刘勇琪，吕浩宇，没有窗户的小巷，王禹程，吴蕴溥，熊攀，徐安越，徐永飞，许哲纶，俞涵，张峻源，张树仁，张王泽，张栩浩，郑裔，周莉莉，周先琪，朱家兴，邹文祥
欢迎以任何形式对项目提供贡献！
增加动态组网场景下各类超时时间环境变量配置：
MS_TOPO_TIMEOUT： 集群组网阶段超时时间，单位：秒。MS_CLUSTER_RETRY_NUM：集群组网阶段节点重试注册次数。MS_NODE_TIMEOUT：节点心跳超时时间，单位：秒。MS_RECEIVE_MSG_TIMEOUT：节点接收消息超时时间，单位：秒。感谢以下人员做出的贡献:
ZPaC, limingqi107, lizhenyu, jiangshanfeng
欢迎以任何形式对项目提供贡献！
感谢以下人员做出的贡献:
yao_yf, YijieChen, 冯一航, yuchaojie, 李良灿, YuJianfeng, huangxinjing, GuoZhibin, looop5
欢迎以任何形式对项目提供贡献！
感谢以下人员做出的贡献:
fary86, wanghenchang, haozhang, mengyuanli, emmmmtang, luoyang, zhupuxu, zhangyongxian, liuluobin, LLLRT, TuDouNi, hujiahui8, wangtongyu6, ligan, zhuguodong, yanghaoran, YingtongHu, liyejun, zjun, 徐永飞, chuht, 张树仁, 徐安越, DeshiChen, shenyaxin, liujunzhu, shunyuanhan, yuchaojie, yao_yf, 没有窗户的小巷, yeyunpeng2020, weiyang, KevinYi, hedongdong, zhouyaqiang0, Margaret_wangrui, zhanghaibo, moran, huangziling, 朱家兴, GuoZhibin, 李良灿, jiaxueyu, gaoyong10, Greatpan, 宦晓玲, melody, 俞涵, jiangshanfeng, XinDu, ling, caifubi, zhangyinxia, gengdongjie, Erpim, XianglongZeng, zhangminli, fengyixing, 冯一航, 黄勇, panzhihui, 胡彬, linqingke, wangshaocong
欢迎以任何形式对项目提供贡献！
感谢以下人员做出的贡献:
wangtongyu6, zhuguodong, 徐永飞, 徐安越, yeyunpeng2020, moran, XinDu, gengdongjie.
欢迎以任何形式对项目提供贡献！
感谢以下人员做出的贡献:
李林杰, TuDouNi, chengxb7532, Henry Shi, rms-infer-type, 朱家兴, zhouyaqiang0, tanghuikang, gaoyong10, gengdongjie, yao_yf, hujiahui8, hanhuifeng, shenyaxin, KevinYi, 冯一航, chengfeng27, JuiceZ, zhangyanhui, jijiarong, xiaoxiongzhu, 没有窗户的小巷, ling, liyan2022, haozhang, zangqx, xiaoyao, liujunzhu, 胡彬, panzhihui, wangshaocong, linqingke, jianghui58, qiuzhongya, yangruoqi713, zhangminli, moran, 王禹程, shaojunsong, wangtongyu6, zhupuxu, luoyang, 徐安越, qinzheng, caifubi, 徐永飞, chenkang, youshu, XinDu, liubuyu, jxl, yeyunpeng2020, huoxinyou, yefeng, jiaorui, wangpingan, cao1zhg, zjun, zyli2020, yanjiaming, Cynthia叶, 胡安东, 李良灿, liruyu, liuluobin, lihao, huangbingjian, YijieChen, jjfeing, looop5, 刘力力, xiaoxin_zhang, yangluhang, chenweifeng, jiangshanfeng, zichun_ye, 陈宇, NaCN, ligan, YingLai Lin, huangziling, chenjianping, DeshiChen, chengbin, kairui_kou, ccsszz, yanghaoran, zhangdanyang, Yanzhi_YI, zhengzuohe, hangq, TronZhang, wanghenchang, HighCloud, 吕浩宇, VectorSL, ZPaC, mengyuanli, maning202007, 刘勇琪, r1chardf1d0, fary86, 刘崇鸣, yuchaojie, douzhixing, fengyixing
欢迎以任何形式对项目提供贡献！
感谢以下人员做出的贡献:
gengdongjie, zhangyanhui, xiaoxiongzhu, wangshaocong, jianghui58, moran, wangtongyu6, 徐安越, qinzheng, 徐永飞, youshu, XinDu, yeyunpeng2020, yefeng, wangpingan, zjun, 胡安东, 刘力力, 陈宇, chenjianping, kairui_kou, zhangdanyang, hangq, mengyuanli, 刘崇鸣
欢迎以任何形式对项目提供贡献！
感谢以下人员做出的贡献:
yufan, dingcheng, lvzhangcheng, zhunaipan, fangwenyi, weiyang, changzherui, chujinjin, zangqingxiang, yuchaojie, wuweikang, tanghuikang, xiaoyao, huangbinjian, zhoupeichen, chenfei_mindspore, hedongdong, wangnan, zhengzuohe, yanghaoran, zouliqin, luoyang, liuchongmin, lujiale, machenggui, wangcong, lixiangyi, wangting, huangyong
欢迎以任何形式对项目提供贡献！
感谢以下人员做出的贡献:
zhanghaibo, wangsiyuan, yefeng, wangshaocong, chenjianping
欢迎以任何形式对项目提供贡献！
row_size参数扩展支持传入list，代表[输入共享内存, 输出共享内存]，以便在多进程模式时灵活控制共享内存的大小。mindspore.ops.Dense。mindspore.ops.Multinomial、mindspore.ops.MultinomialWithReplacement、mindspore.ops.ParameterizedTruncatedNormal、mindspore.ops.StandardLaplace、mindspore.ops.StandardLaplace、mindspore.ops.Uniform、mindspore.ops.UniformInt、mindspore.ops.UniformReal、mindspore.ops.UniformInt、mindspore.ops.Dropout、mindspore.ops.RandomChoiceWithMask、mindspore.ops.RandomCategorical、mindspore.ops.RandomShuffle、mindspore.ops.RandamGamma、mindspore.ops.RandomPoisson、mindspore.ops.TruncatedNormal。mindspore.set_context(ascend_config={"op_precision_mode": "/path/to/op_precision_config_file"})对部分TBE算子配置高精度/高性能模式。mindspore.set_context(ascend_config={"precision_mode": "force_fp32"})对TBE Cube算子配置fp16进fp32出。jit_level="O3"。net = GradAccumulationCell(net, micro_size)方式，对网络使能梯度累加。梯度累加特性同样支持LazyInline编译加速。自2.2版本起MindSpore主发布包不再提供配套310的推理接口使能，如需使用请切换安装MindSpore Lite发布包或下载MindSpore2.0之前的版本。MindSpore lite的安装部署与用法详见 https://www.mindspore.cn/lite。昇腾（Ascend）310是面向边缘场景的高能效高集成度AI处理器，支持对MindIR格式模型进行推理。原先MindSpore提供了两种在Ascend 310硬件上的推理使能用法：
这两种方案提供的C++ API基本一致，后续不再构建和维护两套接口，而是归一使用MindSpore Lite。原有基于MindSpore主发布包构建的310推理业务，可以少量修改切换到MindSpore Lite，详见 https://www.mindspore.cn/docs/zh-CN/master/faq/inference.html。
感谢以下人员做出的贡献: bantao, Bingliang, BJ-WANG, Brian-K, caifubi, ccsszz, changzherui, chenfei_mindspore, chengfeng27, chenhaozhe, chenjianping, chenkang, chenweifeng, chuht, chujinjin, CShu0507, Cynthia叶, DeshiChen, douzhixing, Erpim, Etienne, fary86, fengxun, fengyixing, gaoshuanglong, Gaoxiong, gaoyong10, GaoZhenlong, Greatpan, GuoZhibin, guozhijian, hangq, hanhuifeng, haozhang, hedongdong, Henry Shi, HighCloud, Hongxing, huangbingjian, huanghui, huangxinjing, huangziling, hujiahui8, huoxinyou, HWalkingMan, jianghui58, jiangshanfeng, jiaorui, jijiarong, jjfeing, JuiceZ, jxl, KevinYi, kisnwang, KXiong, lanzhineng, Li Qingguo, LiangZhibo, lianliguang, ligan, lihao, Lihoon, limingqi107, ling, linqingke, liruyu, liubuyu, liuchao, liujunzhu, liuluobin, liupeng303, liutongtong9, liyan2022, liyejun, looop5, luochao60, luojianing, luoyang, machenggui, maning202007, Margaret_wangrui, MaZhiming, mengyuanli, moran, NaCN, nomindcarry, panshaowu, panzhihui, qinzheng, qiuzhongya, r1chardf1d0, shaojunsong, shenwei41, shenyaxin, shenzhangyi, Shira Zaloshinski, shunyuanhan, tangdezhi_123, tanghuikang, tan-wei-cheng, tan-wei-cheng-3260, TronZhang, TuDouNi, VectorSL, wang_ziqi, wanghenchang, wangpingan, wangshaocong, wangtongyu6, wtcheng, wujueying, XianglongZeng, xiaotianci, xiaoxin_zhang, xiaoxiongzhu, xiaoyao, xiaoyuanyuan, XinDu, xujinliang, xupan, yanghaoran, yangluhang, yangruoqi713, yangsijia, yangzhenzhang, yangzishuo, yanjiaming, Yanzhi_YI, yao_yf, yefeng, yeyunpeng2020, yide12, YijieChen, YingLai Lin, YingtongHu, yonibaehr, youshu, yuchaojie, YuJianfeng, zangqx, zhaizhiqiang, zhangbuxue, zhangchunlei, zhangdanyang, zhangdong, zhanghaibo, zhangminli, zhangqi, zhangqinghua, zhangyanhui, zhangyifan, zhangyongxian, zhangzhen, zhangzheng, zhanzhan, zhengzuohe, ZhihaoLi, zhoufeng, zhouyaqiang0, zhuguodong, zhupuxu, zichun_ye, zjun, ZPaC, zuochuanyong, zyli2020, 陈宇, 程超, 范吉斌, 冯浩, 冯一航, 胡彬, 宦晓玲, 黄勇, 雷元哲, 黎冠新, 李良灿, 李林杰, 刘崇鸣, 刘力力, 刘思铭, 刘勇琪, 吕浩宇, 没有窗户的小巷, 沈竞兴, 王禹程, 王振邦, 徐安越, 徐永飞, 俞涵, 张澍坤, 周超, 朱家兴
欢迎以任何形式对项目提供贡献！
感谢以下人员做出的贡献:
changzherui, chenfei_mindspore, chenjianping, chenkang, chenweifeng, chujinjin, fangwenyi, GuoZhibin, guozhijian, hangq, hanhuifeng, haozhang, hedongdong, 尤澍, zhoufeng, 代宇鑫
欢迎以任何形式对项目提供贡献！
[STABLE] 支持训练过程将参数或者中间结果offload到CPU或NVMe，用户通过配置context开启自动offload功能，扩大可训练模型规模。
[STABLE] 自动并行能力增强：
典型网络自动策略性能不低于默认配置的90%；
支持3D混合并行训练：自动算子级策略生成结合手动配置pipeline切分。
mindspore.dataset.GraphData、mindspore.dataset.Graph、mindspore.dataset.InMemoryGraphDataset、mindspore.dataset.ArgoverseDataset不再进行功能演进并废弃。使用MindSpore Graph Learning进行相关功能替换。对于Model仓库使用到此API的相关网络进行替换时，GCN请参考Graph Learning GCN，GAT请参考Graph Learning GAT。mindspore.set_context新增jit_syntax_level选项，用于设置JIT语法支持级别，请参考set_context。model.infer_predict_layout接口，接口新增参数skip_backend_compile，默认值为False。当用户希望跳过后端编译流程获取参数切分策略时可选择设置为True。mindspore.ops.ApplyAdamWithAmsgradV2，推荐通过接口mindspore.nn.Adam调用。mindspore.ops.UpsampleTrilinear3D，推荐通过接口mindspore.ops.interpolate调用。mindspore.ops.UpsampleNearest3D，推荐通过接口mindspore.ops.interpolate调用。mindspore.ops.ScatterNonAliasingAdd，推荐使用算子原语mindspore.ops.TensorScatterAdd替换。接口名称：mindspore.nn.Dense、mindspore.nn.Conv1d、mindspore.nn.Conv1dTranspose、mindspore.nn.Conv2d、mindspore.nn.Conv2dTranspose、mindspore.nn.Conv3d、mindspore.nn.Conv3dTranspose
变更内容：变更了初始化参数策略。weight_init默认值由"normal"改为None，bias_init默认值由"zeros"改为None。
说明：权重默认初始化方法由使用"normal"改为在内部使用HeUniform初始化。偏差默认初始化方法由"zeros"改为在内部使用Uniform初始化。
| 原接口 | v2.1接口 |
mindspore.nn.Dense(in_channels,
out_channels,
weight_init='normal',
bias_init='zeros',
has_bias=True,
activation=None)
|
mindspore.nn.Dense(in_channels,
out_channels,
weight_init=None,
bias_init=None,
has_bias=True,
activation=None)
|
mindspore.nn.Conv1d(in_channels,
out_channels,
kernel_size,
stride=1,
pad_mode='same',
padding=0,
dilation=1,
group=1,
has_bias=False,
weight_init='normal',
bias_init='zeros')
|
mindspore.nn.Conv1d(in_channels,
out_channels,
kernel_size,
stride=1,
pad_mode='same',
padding=0,
dilation=1,
group=1,
has_bias=False,
weight_init=None,
bias_init=None)
|
mindspore.nn.Conv1dTranspose(in_channels,
out_channels,
kernel_size,
stride=1,
pad_mode='same',
padding=0,
dilation=1,
group=1,
has_bias=False,
weight_init='normal',
bias_init='zeros')
|
mindspore.nn.Conv1dTranspose(in_channels,
out_channels,
kernel_size,
stride=1,
pad_mode='same',
padding=0,
dilation=1,
group=1,
has_bias=False,
weight_init=None,
bias_init=None)
|
mindspore.nn.Conv2d(in_channels,
out_channels, kernel_size,
stride=1,
pad_mode='same',
padding=0,
dilation=1,
group=1,
has_bias=False,
weight_init='normal',
bias_init='zeros',
data_format='NCHW')
|
mindspore.nn.Conv2d(in_channels,
out_channels,
kernel_size,
stride=1,
pad_mode='same',
padding=0,
dilation=1,
group=1,
has_bias=False,
weight_init=None,
bias_init=None,
data_format='NCHW')
|
mindspore.nn.Conv2dTranspose(in_channels,
out_channels,
kernel_size,
stride=1,
pad_mode='same',
padding=0,
output_padding=0,
dilation=1,
group=1,
has_bias=False,
weight_init='normal',
bias_init='zeros')
|
mindspore.nn.Conv2dTranspose(in_channels,
out_channels,
kernel_size,
stride=1,
pad_mode='same',
padding=0,
output_padding=0,
dilation=1,
group=1,
has_bias=False,
weight_init=None,
bias_init=None)
|
mindspore.nn.Conv3d(in_channels,
out_channels,
kernel_size,
stride=1,
pad_mode='same',
padding=0,
dilation=1,
group=1,
has_bias=False,
weight_init='normal',
bias_init='zeros',
data_format='NCDHW')
|
mindspore.nn.Conv3d(in_channels,
out_channels,
kernel_size,
stride=1,
pad_mode='same',
padding=0,
dilation=1,
group=1,
has_bias=False,
weight_init=None,
bias_init=None,
data_format='NCDHW')
|
mindspore.nn.Conv3dTranspose(in_channels,
out_channels,
kernel_size,
stride=1,
pad_mode='same',
padding=0,
dilation=1,
group=1,
output_padding=0,
has_bias=False,
weight_init='normal',
bias_init='zeros',
data_format='NCDHW')
|
mindspore.nn.Conv3dTranspose(in_channels,
out_channels,
kernel_size,
stride=1,
pad_mode='same',
padding=0,
dilation=1,
group=1,
output_padding=0,
has_bias=False,
weight_init=None,
bias_init=None,
data_format='NCDHW')
|
感谢以下人员做出的贡献:
alashkari,anzhengqi,archer2049,B.L.LAN,baihuawei,bichaoyang,BJ-WANG,Bokai Li,Brian-K,caifubi,caiyimeng,cathwong,changzherui,ChenDonYY,chenfei_mindspore,chengang,chengbin,chenhaozhe,chenjianping,chenkang,chenweifeng,chuht,chujinjin,davidanugraha,DavidFFFan,DeshiChen,douzhixing,emmmmtang,Erpim,Ethan,fangwenyi,fangzehua,fangzhou0329,fary86,fengyixing,gaoshuanglong,Gaoxiong,gaoyong10,gengdongjie,gongdaguo1,Greatpan,GuoZhibin,guozhijian,hangq,hanhuifeng,haozhang,hedongdong,Henry Shi,heterogeneous_to_backoff_2_0,huangbingjian,huanghui,huangxinjing,hujiahui8,hujingsong,huoxinyou,jachua,jiahongQian,jianghui58,jiangzhenguang,jiaorui,jiaoy1224,jijiarong,jjfeing,JoeyLin,json,JuiceZ,jxl,kairui_kou,KevinYi,kisnwang,KXiong,laiyongqiang,lanzhineng,liangchenghui,liangzelang,LiangZhibo,lianliguang,lichen,ligan,lijunbin,limingqi107,ling,linqingke,liubuyu,liuchao,liuchuting,liujunzhu,liuluobin,liutongtong9,liuyang811,lixiao,liyan2022,liyejun,liyuxia,looop5,luochao60,luojianing,luoyang,luoyuan,lyqlola,maning202007,maoyaomin,Margaret_wangrui,mayadong,MaZhiming,melody,mengyuanli,michaelzhu_70ab,Mohammad Motallebi,moran,NaCN,nomindcarry,OwenSec,panfengfeng,panshaowu,panzhihui,pkuliuliu,qinzheng,qiuzhongya,qujianwei,r1chardf1d0,Renyuan Zhang,RobinGrosman,shaojunsong,shenwei41,Soaringfish,tangdezhi_123,tanghuikang,tan-wei-cheng,TinaMengtingZhang,TronZhang,TuDouNi,VectorSL,wang_ziqi,wanghenchang,wangnan39,wangpingan,wangshaocong,wangshengnan123,wangtongyu6,weichaoran,wind-zyx,wqx,wtcheng,wujueying,wYann,XianglongZeng,xiaohanzhang,xiaotianci,xiaoyao,XinDu,xulei,xumengjuan1,xupan,xwkgch,yanghaoran,yangluhang,yangruoqi713,yangshuo,yangsijia,yangzhenzhang,yanzhenxiang2020,Yanzhi_YI,yao_yf,yefeng,yeyunpeng2020,Yi_zhang95,yide12,YijieChen,YingLai Lin,YingtongHu,youshu,yuchaojie,yuedongli,YuJianfeng,zangqx,ZengZitao,zhangbuxue,zhangdanyang,zhangdong,zhangfanghe,zhangqi,zhangqinghua,zhangyanhui,zhangyinxia,zhangyongxian,zhangzhaoju,zhanzhan,zhengzuohe,ZhidanLiu,zhixinaa,zhoufeng,zhouyaqiang0,zhuguodong,zhupuxu,zhuyuxiao,zichun_ye,zjun,zlq2020,zong_shuai,ZPaC,zuochuanyong,zyli2020,陈宇,范吉斌,冯一航,胡彬,宦晓玲,黄勇,雷元哲,李良灿,李林杰,刘崇鸣,刘力力,刘勇琪,吕浩宇,吕昱峰（Nate.River）,没有窗户的小巷,沈竞兴,十六夜,王程浩,王禹程,王振邦,徐安越,徐永飞,杨旭华,于振华,俞涵,张清华,张澍坤,张栩浩,张学同,赵英灼,周超,周洪叶,朱家兴
欢迎以任何形式对项目提供贡献！
新增ModelGroup Python和C++接口，接口定义如下：
class ModelGroup
def __init__(self, flags=ModelGroupFlag.SHARE_WORKSPACE)
def add_model(self, models)
def cal_max_size_of_workspace(self, model_type, context)
// class ModelGroup
ModelGroup(ModelGroupFlag flags = ModelGroupFlag::kShareWorkspace);
Status AddModel(const std::vector<std::string> &model_path_list);
Status AddModel(const std::vector<std::pair<const void *, size_t>> &model_buff_list);
Status AddModel(const std::vector &model_list);
Status AddModel(const std::vector &model_list);
mindspore.ops.AdaptiveAvgPool2D 新增算子原语。mindspore.ops.BatchToSpaceNDV2 新增算子原语。mindspore.ops.CeLU 新增算子原语。mindspore.ops.ExtractVolumePatches 新增算子原语。mindspore.ops.FFTWithSize 新增算子原语。mindspore.ops.FillDiagonal 新增算子原语。mindspore.ops.FractionalMaxPool3DWithFixedKsize 新增算子原语。mindspore.ops.Im2Col 新增算子原语。mindspore.ops.MaskedScatter 新增算子原语。mindspore.ops.MatrixBandPart 新增算子原语。mindspore.ops.MatrixInverse 新增算子原语。mindspore.ops.MaxPoolWithArgmaxV2 新增算子原语。mindspore.ops.Ormqr 新增算子原语。mindspore.ops.RandpermV2 新增算子原语。mindspore.ops.ResizeBicubic 新增算子原语。mindspore.ops.Triu 新增算子原语。mindspore.ops.Zeta 新增算子原语。接口名称：mindspore.ops.MultitypeFuncGraph
变更内容：该接口参数doc_url在MindSpore 2.0.0.rc1版本作为测试特性，MindSpore 2.0.0版本优化后用户不需要额外配置此参数，故此参数在MindSpore 2.0.0版本删除。
| 原接口 | v2.0.0 接口 |
mindspore.ops.MultitypeFuncGraph（name, read_value=False, doc_url=""） |
mindspore.ops.MultitypeFuncGraph（name, read_value=False） |
接口名称：mindspore.set_context(auto_tune_mode="GA,RL")
变更内容：下线算子AutoTune调优工具，删除auto_tune_mode选项，未来会规划新的调优工具。
接口名称：mindspore.set_context(mode=PYNATIVE_MODE)
变更内容：默认由GRAPH_MODE改为PYNATIVE_MODE。
说明：原有使用方式若未设置运行模式，该变更会影响性能，需要额外设置图模式，则使用以下方式： mindspore.set_context(mode=GRAPH_MODE)。
| 原接口 | v2.0.0-rc1接口 |
mindspore.set_context(mode=GRAPH_MODE) |
mindspore.set_context(mode=PYNATIVE_MODE) |
接口名称：mindspore.train.Model.train
变更内容：dataset_sink_mode 默认值由True改为False。
说明：原有使用方式若未设置dataset_sink_mode，该变更会影响性能，需要额外设置数据下沉运行模式，则使用以下方式： Model.train(dataset_sink_mode=True)。
| 原接口 | v2.0.0-rc1接口 |
Model.train(dataset_sink_mode=True) |
Model.train(dataset_sink_mode=False) |
接口名称：mindspore.export
变更内容：参数file_format由"AIR"改为不指定默认值。
说明：原有使用方式若未设置file_format，需要额外设置file_format，则使用以下方式： mindspore.export(net, *inputs, file_name, file_format="AIR", **kwargs)。
| 原接口 | v2.0.0-rc1接口 |
mindspore.export(net, *inputs, file_name,
file_format="AIR", **kwargs)
|
mindspore.export(net, *inputs, file_name,
file_format, **kwargs)
|
接口名称：mindspore.ops.norm
变更内容：扩展ord参数功能，支持多种形式。
| 原接口 | v2.0.0-rc1接口 |
ops.norm(input_x, axis, p=2, keep_dims=False, epsilon=1e-12) >>> # 举例: >>> input = Tensor(np.array([[[1.0, 2.0], [3.0, 4.0]], ... [[5.0, 6.0], [7.0, 8.0]]]).astype(np.float32)) >>> output = ops.norm(input, [0, 1], p=2) |
ops.norm(A, ord=None, dim=None, keepdim=False, *, dtype=None) >>> # 举例: >>> input = Tensor(np.array([[[1.0, 2.0], [3.0, 4.0]], ... [[5.0, 6.0], [7.0, 8.0]]]).astype(np.float32)) >>> output = ops.norm(input, ord=2, dim=(0, 1)) |
接口名称：mindspore.Tensor.norm
变更内容：扩展ord参数功能，支持多种形式。
说明：参考ops.norm例子。
| 原接口 | v2.0.0-rc1接口 |
Tensor.norm(axis, p=2, keep_dims=False, epsilon=1e-12) |
Tensor.norm(ord=None, dim=None, keepdim=False, *, dtype=None) |
接口名称：mindspore.ops.dropout
变更内容：删除seed0、seed1参数，新增参数seed=None。由返回Tensor和掩码改为只返回Tensor，新增入参training=True。
| 原接口 | v2.0.0-rc1接口 |
ops.dropout(x, p=0.5, seed0=0, seed1=0) >>> # 举例: >>> input = Tensor(((20, 16), (50, 50)), ... mindspore.float32) >>> output, mask = dropout(x, p=0.5) |
ops.dropout(input, p=0.5, training=True, seed=None) >>> # 举例: >>> input = Tensor(((20, 16), (50, 50)), ... mindspore.float32) >>> output = ops.dropout(input, p=0.5，training=True) |
接口名称：mindspore.ops.dropout2d
变更内容：返回值从Tensor和掩码改为只返回Tensor，新增入参training=True。
| 原接口 | v2.0.0-rc1接口 |
ops.dropout2d(x, p=0.5) >>> # 举例: >>> input = Tensor(np.ones([2, 1, 2, 3]), ... mindspore.float32) >>> output, mask = dropout2d(input, 0.5) |
ops.dropout2d(input, p=0.5, training=True) >>> # 举例: >>> input = Tensor(np.ones([2, 1, 2, 3]), ... mindspore.float32) >>> output = ops.dropout2d(input, 0.5, training=True) |
接口名称：mindspore.ops.dropout3d
变更内容：返回值从Tensor和掩码改为只返回Tensor，新增入参training=True。
| 原接口 | v2.0.0-rc1接口 |
ops.dropout3d(x, p=0.5) >>> # 举例: >>> input = Tensor(np.ones([2, 1, 2, 3]), ... mindspore.float32) >>> output, mask = dropout3d(input, 0.5) |
ops.dropout3d(input, p=0.5, training=True) >>> # 举例: >>> input = Tensor(np.ones([2, 1, 2, 3]), ... mindspore.float32) >>> output = ops.dropout3d(input, 0.5, training=True) |
接口名称：mindspore.ops.std
变更内容：接口重构，接口使用方式更符合用户使用习惯。
说明：原有unbiased如果已显示设置，采用以下替代方案： ddof=0替代unbiased=False，ddof=1替代unbiased=True。
| 原接口 | v2.0.0-rc1接口 |
ops.std(input_x, axis=(), unbiased=True, keep_dims=False) |
ops.std(input, axis=None, ddof=0, keepdims=False) |
接口名称：mindspore.load_param_into_net
变更内容：新增ckpt中未加载的参数作为返回值。
| 原接口 | v2.0.0-rc1接口 |
net_param = load_param_into_net() |
net_param, ckpt_param = load_param_into_net() |
接口名称：mindspore.nn.BCELoss
变更内容：reduction 默认值由'none'变为'mean'。
| 原接口 | v2.0.0-rc1接口 |
BCELoss(weight=None, reduction='none') >>> # 举例: >>> weight = Tensor(np.array([[1.0, 2.0, 3.0], ... [4.0, 3.3, 2.2]]), ... mindspore.float32) >>> loss = nn.BCELoss(weight=weight, reduction='mean') >>> logits = Tensor(np.array([[0.1, 0.2, 0.3], ... [0.5, 0.7, 0.9]]), ... mindspore.float32) >>> labels = Tensor(np.array([[0, 1, 0], [0, 0, 1]]), ... mindspore.float32) >>> output = loss(logits, labels) >>> print(output) >>> 1.8952923 |
BCELoss(weight=None, reduction='mean') >>> # 举例: >>> weight = Tensor(np.array([[1.0, 2.0, 3.0], ... [4.0, 3.3, 2.2]]), ... mindspore.float32) >>> loss = nn.BCELoss(weight=weight) >>> logits = Tensor(np.array([[0.1, 0.2, 0.3], ... [0.5, 0.7, 0.9]]), ... mindspore.float32) >>> labels = Tensor(np.array([[0, 1, 0], [0, 0, 1]]), ... mindspore.float32) >>> output = loss(logits, labels) >>> print(output) >>> 1.8952923 |
接口名称：mindspore.ops.split
变更内容：接口重构，接口使用方式更符合用户使用习惯，调整第2个和第3个参数的顺序，修改并扩展split_size_or_sections功能。
| 原接口 | v2.0.0-rc1接口 |
ops.split(input_x, axis=0, output_num=1) >>> # 举例: >>> input = Tensor(np.array([[1, 1, 1, 1], [2, 2, 2, 2]]), ... mindspore.int32) >>> output = ops.split(input, axis=1, output_num=4) |
ops.split(tensor, split_size_or_sections, axis=0) >>> # 举例: >>> input = Tensor(np.array([[1, 1, 1, 1], [2, 2, 2, 2]]), ... mindspore.int32) >>> output = ops.split(input, split_size_or_sections=1, axis=1) |
接口名称：mindspore.Tensor.split
变更内容：接口重构，接口使用方式更符合用户使用习惯，调整两个参数的位置，修改并扩展split_size_or_sections功能。
说明：参考ops.split例子。
| 原接口 | v2.0.0-rc1接口 |
Tensor.split(axis=0, output_num=1) |
Tensor.split(split_size_or_sections, axis=0) |
接口名称：mindspore.ops.pad
变更内容：修改参数名paddings为padding，添加mode和value功能。
| 原接口 | v2.0.0-rc1接口 |
ops.pad(input_x, paddings) >>> # 举例: >>> input_x = Tensor(np.array([[-0.1, 0.3, 3.6], ... [0.4, 0.5, -3.2]]), ... mindspore.float32) >>> paddings = ((1, 2), (2, 1)) >>> output = ops.pad(input_x, paddings) |
ops.pad(input_x, padding, mode='constant', value=None) >>> # 举例: >>> input_x = Tensor(np.array([[-0.1, 0.3, 3.6], ... [0.4, 0.5, -3.2]]), ... mindspore.float32) >>> paddings = (2, 1, 1, 2) >>> output = ops.pad(input_x, paddings) |
接口名称：mindspore.ops.meshgrid
变更内容：入参由inputs改为*input。
| 原接口 | v2.0.0-rc1接口 |
ops.meshgrid(inputs, indexing='xy') >>> # 举例: >>> x = Tensor(np.array([1, 2, 3, 4]).astype(np.int32)) >>> y = Tensor(np.array([5, 6, 7]).astype(np.int32)) >>> z = Tensor(np.array([8, 9, 0, 1, 2]).astype(np.int32)) >>> output = ops.meshgrid((x, y, z), indexing='xy') |
ops.meshgrid(*inputs, indexing='xy') >>> # 举例: >>> x = Tensor(np.array([1, 2, 3, 4]).astype(np.int32)) >>> y = Tensor(np.array([5, 6, 7]).astype(np.int32)) >>> z = Tensor(np.array([8, 9, 0, 1, 2]).astype(np.int32)) >>> output = ops.meshgrid(x, y, z, indexing='xy') |
接口名称：mindspore.ops.max
变更内容：返回值调换顺序，由：“下标，最大值”改为“最大值，下标”。
| 原接口 | v2.0.0-rc1接口 |
ops.max(x, axis=0, keep_dims=False) >>> # 举例: >>> input = Tensor(np.array([0.0, 0.4, 0.6, 0.7, 0.1]), ... mindspore.float32) >>> index, output = ops.max(input) >>> print(index, output) >>> 3 0.7 |
ops.max(input, axis=None, keepdims=False, *, initial=None, where=True, return_indices=False) >>> # 举例: >>> input = Tensor(np.array([0.0, 0.4, 0.6, 0.7, 0.1]), ... mindspore.float32) >>> output, index = ops.max(input, axis=0) >>> print(output, index) |
接口名称：mindspore.ops.min
变更内容：返回值调换顺序，由：“下标，最小值”改为“最小值，下标”。
| 原接口 | v2.0.0-rc1接口 |
ops.min(x, axis=0, keep_dims=False) >>> # 举例: >>> input = Tensor(np.array([0.0, 0.4, 0.6, 0.7, 0.1]), ... mindspore.float32) >>> index, output = ops.min(input) >>> 0 0.0 |
ops.min(input, axis=None, keepdims=False, *, initial=None, where=True, return_indices=False) >>> # 举例: >>> input = Tensor(np.array([0.0, 0.4, 0.6, 0.7, 0.1]), ... mindspore.float32) >>> output, index = ops.min(input, keepdims=True) >>> 0.0 0 |
接口名称：mindspore.ops.random_gamma
变更内容：删除seed2参数，seed=0改为None。框架行为统一且符合用户实际使用场景及习惯。
| 原接口 | v2.0.0-rc1接口 |
ops.random_gamma(shape, alpha, seed=0, seed2=0) |
ops.random_gamma(shape, alpha, seed=None) |
接口名称：mindspore.ops.standard_laplace
变更内容：删除seed2参数，seed=0改为None。框架行为统一且符合用户实际使用场景及习惯。
| 原接口 | v2.0.0-rc1接口 |
ops.standard_laplace(shape, seed=0, seed2=0) |
ops.standard_laplace(shape, seed=None) |
接口名称：mindspore.ops.standard_normal
变更内容：删除seed2参数，seed=0改为None。框架行为统一且符合用户实际使用场景及习惯。
| 原接口 | v2.0.0-rc1接口 |
ops.standard_normal(shape, seed=0, seed2=0) |
ops.standard_normal(shape, seed=None) |
接口名称：mindspore.ops.bernoulli
变更内容：seed的默认值由-1改为None。符合用户实际使用场景。
| 原接口 | v2.0.0-rc1接口 |
ops.bernoulli(x, p=0.5, seed=-1) |
ops.bernoulli(input, p=0.5, seed=None) |
接口名称：mindspore.data_sink
变更内容：删除steps参数，jit参数名称修改为jit_config，新增input_signature参数。增加易用性，符合用户实际使用场景。
| 原接口 | v2.0.0-rc1接口 |
mindspore.data_sink(fn, dataset, steps,
sink_size=1, jit=False)
|
mindspore.data_sink(fn, dataset, sink_size=1,
jit_config=None, input_signature=None)
|
接口名称：mindspore.ops.conv2d
变更内容：扩展接口功能，添加bias参数，修改参数名及参数顺序。
| 原接口 | v2.0.0-rc1接口 |
conv2d(inputs, weight, pad_mode="valid",
padding=0, stride=1, dilation=1, group=1)
|
conv2d(input, weight, bias=None, stride=1,
pad_mode="valid", padding=0, dilation=1, groups=1)
|
接口名称：mindspore.dataset.vision.Pad
变更内容：调整Pad、RandomCrop、RandomCropWithBbox入参padding，当Padding输入长度为2的序列时，行为将从使用第一个值填充左/上边界，使用第二个值填充右/下边界，变为使用第一个值填充左/右边界，使用第二个值填充上/下边界。
说明：仅使用size为2的padding参数无法兼容旧版本的效果，需显式表示（左、右、上、下）。
| 原接口 | v2.0.0-rc1接口 |
mindspore.dataset.vision.Pad(padding=(1,2)) 代表图片的左/上填充 1像素，右/下填充 2像素 |
mindspore.dataset.vision.Pad(padding=(1,2,1,2)) 代表图片的左/上填充 1像素，右/下填充 2像素 |
接口名称：mindspore.dataset.Dataset.map
变更内容：删除column_order参数。因为在绝大部分的情况下，output_columns参数与column_order参数都是同一个值，不需要再传入column_order。若需要调整数据列顺序，使用mindspore.dataset.Dataset.project实现。
说明：
| 原接口 | v2.0.0-rc1接口 |
>>> dataset = dataset.map(operations=[transforms], ... input_columns=["column_a"], ... output_columns=["column_b", "column_c"], ... column_order=["column_c", "column_b"]) |
>>> dataset = dataset.map(operations=[transforms], ... input_columns=["column_a"], ... output_columns=["column_b", "column_c"]) >>> dataset = dataset.project(["column_c", column_b"])") |
接口名称：mindspore.dataset.Dataset.batch
变更内容：删除column_order参数。因为在绝大部分的情况下，output_columns参数与column_order参数都是同一个值，不需要再传入column_order。若需要调整数据列顺序，使用mindspore.dataset.Dataset.project实现。
说明：
| 原接口 | v2.0.0-rc1接口 |
>>> dataset = dataset.batch(batch_size=4, ... input_columns=["column_a"], ... output_columns=["column_b", "column_c"], ... column_order=["column_c", "column_b"]) |
>>> dataset = dataset.batch(batch_size=4, input_columns=["column_a"] ... output_columns=["column_b", "column_c"]) >>> dataset = dataset.project(["column_c", column_b"])") |
接口名称：mindspore.dataset.Dataset.batch
变更内容：将batch方法拆分为：batch和padded_batch两个方法。pad_info参数从batch方法移动到padded_batch方法。
说明：如需使用pad_info参数，改用padded_batch方法。
| 原接口 | v2.0.0-rc1接口 |
>>> dataset = dataset.batch(batch_size=4, ... drop_remainder=True, pad_info=...) |
>>> dataset = dataset.padded_batch(batch_size=4, ... drop_remainder=True, pad_info=...) |
感谢以下人员做出的贡献:
alashkari,anzhengqi,archer2049,B.L.LAN,baihuawei,bichaoyang,BJ-WANG,Bokai Li,Brian-K,caifubi,caiyimeng,cathwong,changzherui,ChenDonYY,chenfei_mindspore,chengang,chengbin,chenhaozhe,chenjianping,chenkang,chenweifeng,chuht,chujinjin,davidanugraha,DavidFFFan,DeshiChen,douzhixing,emmmmtang,Erpim,Ethan,fangwenyi,fangzehua,fangzhou0329,fary86,fengyixing,gaoshuanglong,Gaoxiong,gaoyong10,gengdongjie,gongdaguo1,Greatpan,GuoZhibin,guozhijian,hangq,hanhuifeng,haozhang,hedongdong,Henry Shi,heterogeneous_to_backoff_2_0,huangbingjian,huanghui,huangxinjing,hujiahui8,hujingsong,huoxinyou,jachua,jiahongQian,jianghui58,jiangzhenguang,jiaorui,jiaoy1224,jijiarong,jjfeing,JoeyLin,json,JuiceZ,jxl,kairui_kou,KevinYi,kisnwang,KXiong,laiyongqiang,lanzhineng,liangchenghui,liangzelang,LiangZhibo,lianliguang,lichen,ligan,lijunbin,limingqi107,ling,linqingke,liubuyu,liuchao,liuchuting,liujunzhu,liuluobin,liutongtong9,liuyang811,lixiao,liyan2022,liyejun,liyuxia,looop5,luochao60,luojianing,luoyang,luoyuan,lyqlola,maning202007,maoyaomin,Margaret_wangrui,mayadong,MaZhiming,melody,mengyuanli,michaelzhu_70ab,Mohammad Motallebi,moran,NaCN,nomindcarry,OwenSec,panfengfeng,panshaowu,panzhihui,pkuliuliu,qinzheng,qiuzhongya,qujianwei,r1chardf1d0,Renyuan Zhang,RobinGrosman,shaojunsong,shenwei41,Soaringfish,tangdezhi_123,tanghuikang,tan-wei-cheng,TinaMengtingZhang,TronZhang,TuDouNi,VectorSL,wang_ziqi,wanghenchang,wangnan39,wangpingan,wangshaocong,wangshengnan123,wangtongyu6,weichaoran,wind-zyx,wqx,wtcheng,wujueying,wYann,XianglongZeng,xiaohanzhang,xiaotianci,xiaoyao,XinDu,xulei,xumengjuan1,xupan,xwkgch,yanghaoran,yangluhang,yangruoqi713,yangshuo,yangsijia,yangzhenzhang,yanzhenxiang2020,Yanzhi_YI,yao_yf,yefeng,yeyunpeng2020,Yi_zhang95,yide12,YijieChen,YingLai Lin,YingtongHu,youshu,yuchaojie,yuedongli,YuJianfeng,zangqx,ZengZitao,zhangbuxue,zhangdanyang,zhangdong,zhangfanghe,zhangqi,zhangqinghua,zhangyanhui,zhangyinxia,zhangyongxian,zhangzhaoju,zhanzhan,zhengzuohe,ZhidanLiu,zhixinaa,zhoufeng,zhouyaqiang0,zhuguodong,zhupuxu,zhuyuxiao,zichun_ye,zjun,zlq2020,zong_shuai,ZPaC,zuochuanyong,zyli2020,陈宇,范吉斌,冯一航,胡彬,宦晓玲,黄勇,雷元哲,李良灿,李林杰,刘崇鸣,刘力力,刘勇琪,吕浩宇,吕昱峰（Nate.River）,没有窗户的小巷,沈竞兴,十六夜,王程浩,王禹程,王振邦,徐安越,徐永飞,杨旭华,于振华,俞涵,张清华,张澍坤,张栩浩,张学同,赵英灼,周超,周洪叶,朱家兴
欢迎以任何形式对项目提供贡献！
mindspore.ops.AdaptiveAvgPool3D 新增算子原语。mindspore.ops.AffineGrid 新增算子原语。mindspore.ops.Angle 新增算子原语。mindspore.ops.BartlettWindow 新增算子原语。mindspore.ops.Bernoulli 新增算子原语。mindspore.ops.BesselI0 新增算子原语。mindspore.ops.BesselI1 新增算子原语。mindspore.ops.BesselJ0 新增算子原语。mindspore.ops.BesselJ1 新增算子原语。mindspore.ops.BesselK0 新增算子原语。mindspore.ops.BesselK0e 新增算子原语。mindspore.ops.BesselK1 新增算子原语。mindspore.ops.BesselK1e 新增算子原语。mindspore.ops.BesselY0 新增算子原语。mindspore.ops.BesselY1 新增算子原语。mindspore.ops.Bincount 新增算子原语。mindspore.ops.BlackmanWindow 新增算子原语。mindspore.ops.ChannelShuffle 新增算子原语。mindspore.ops.Cholesky 新增算子原语。mindspore.ops.Col2Im 新增算子原语。mindspore.ops.Complex 新增算子原语。mindspore.ops.ComplexAbs 新增算子原语。mindspore.ops.Cross 新增算子原语。mindspore.ops.CTCLossV2 新增算子原语。mindspore.ops.Cummin 新增算子原语。mindspore.ops.Diag 新增算子原语。mindspore.ops.Digamma 新增算子原语。mindspore.ops.Expand 新增算子原语。mindspore.ops.Fmax 新增算子原语。mindspore.ops.Gcd 新增算子原语。mindspore.ops.Geqrf 新增算子原语。mindspore.ops.GLU 新增算子原语。mindspore.ops.GridSampler2D 新增算子原语。mindspore.ops.GridSampler3D 新增算子原语。mindspore.ops.HammingWindow 新增算子原语。mindspore.ops.Heaviside 新增算子原语。mindspore.ops.Hypot 新增算子原语。mindspore.ops.Igamma 新增算子原语。mindspore.ops.IndexFill 新增算子原语。mindspore.ops.InplaceIndexAdd 新增算子原语。mindspore.ops.InplaceUpdateV2 新增算子原语。mindspore.ops.Lcm 新增算子原语。mindspore.ops.LeftShift 新增算子原语。mindspore.ops.LogicalXor 新增算子原语。mindspore.ops.Logit 新增算子原语。mindspore.ops.LogSpace 新增算子原语。mindspore.ops.LuUnpack 新增算子原语。mindspore.ops.MatrixDiagPartV3 新增算子原语。mindspore.ops.MatrixDiagV3 新增算子原语。mindspore.ops.MatrixSetDiagV3 新增算子原语。mindspore.ops.MaxPool3DWithArgmax 新增算子原语。mindspore.ops.MaxUnpool2D 新增算子原语。mindspore.ops.MaxUnpool3D 新增算子原语。mindspore.ops.MultiMarginLoss 新增算子原语。mindspore.ops.MultinomialWithReplacement 新增算子原语。mindspore.ops.Mvlgamma 新增算子原语。mindspore.ops.NanToNum 新增算子原语。mindspore.ops.NextAfter 新增算子原语。mindspore.ops.Orgqr 新增算子原语。mindspore.ops.Polygamma 新增算子原语。mindspore.ops.ResizeBilinearV2 新增算子原语。mindspore.ops.RightShift 新增算子原语。mindspore.ops.ScatterNdDiv 新增算子原语。mindspore.ops.ScatterNdMul 新增算子原语。mindspore.ops.SearchSorted 新增算子原语。mindspore.ops.Sinc 新增算子原语。mindspore.ops.Trace 新增算子原语。mindspore.ops.Tril 新增算子原语。mindspore.ops.TrilIndices 新增算子原语。mindspore.ops.TriuIndices 新增算子原语。mindspore.ops.UniqueConsecutive 新增算子原语。mindspore.ops.Cummax 新增算子原语。mindspore.ops.FillV2 新增算子原语。mindspore.ops.IsClose 新增算子原语。mindspore.ops.MatrixSolve 新增算子原语。mindspore.ops.Median 新增算子原语。mindspore.ops.MultilabelMarginLoss 新增算子原语。mindspore.ops.NonZero 新增算子原语。mindspore.ops.Pdist 新增算子原语。mindspore.ops.Polar 新增算子原语。mindspore.ops.RandomGamma 新增算子原语。mindspore.ops.RandomPoisson 新增算子原语。mindspore.ops.RandomShuffle 新增算子原语。mindspore.ops.Renorm 新增算子原语。mindspore.ops.ScatterNdMax 新增算子原语。mindspore.ops.ScatterNdMin 新增算子原语。mindspore.ops.Svd 新增算子原语。mindspore.ops.TripletMarginLoss 新增算子原语。mindspore.compression特性在MindSpore 1.8版本已经废弃，在当前版本被删除。用户可以使用昇思金箍棒作为mindspore.compression的替代品来实现MindSpore中的量化感知训练算法。mindspore.dataset.close_pool、mindspore.dataset.to_device、mindspore.dataset.set_dynamic_columns 接口在之前版本已废弃，当前版本正式删除。接口名称：mindspore.set_context(mode=PYNATIVE_MODE)
变更内容：默认由GRAPH_MODE改为PYNATIVE_MODE。
说明：原有使用方式若未设置运行模式，该变更会影响性能，需要额外设置图模式，则使用以下方式： mindspore.set_context(mode=GRAPH_MODE)。
| 原接口 | v2.0.0-rc1接口 |
mindspore.set_context(mode=GRAPH_MODE) |
mindspore.set_context(mode=PYNATIVE_MODE) |
接口名称：mindspore.train.Model.train
变更内容：dataset_sink_mode 默认值由True改为False。
说明：原有使用方式若未设置dataset_sink_mode，该变更会影响性能，需要额外设置数据下沉运行模式，则使用以下方式： Model.train(dataset_sink_mode=True)。
| 原接口 | v2.0.0-rc1接口 |
Model.train(dataset_sink_mode=True) |
Model.train(dataset_sink_mode=False) |
接口名称：mindspore.export
变更内容：参数file_format由"AIR"改为不指定默认值。
说明：原有使用方式若未设置file_format，需要额外设置file_format，则使用以下方式： mindspore.export(net, *inputs, file_name, file_format="AIR", **kwargs)。
| 原接口 | v2.0.0-rc1接口 |
mindspore.export(net, *inputs, file_name,
file_format="AIR", **kwargs)
|
mindspore.export(net, *inputs, file_name,
file_format, **kwargs)
|
接口名称：mindspore.ops.norm
变更内容：扩展ord参数功能，支持多种形式。
| 原接口 | v2.0.0-rc1接口 |
ops.norm(input_x, axis, p=2, keep_dims=False, epsilon=1e-12) >>> # 举例: >>> input = Tensor(np.array([[[1.0, 2.0], [3.0, 4.0]], ... [[5.0, 6.0], [7.0, 8.0]]]).astype(np.float32)) >>> output = ops.norm(input, [0, 1], p=2) |
ops.norm(A, ord=None, dim=None, keepdim=False, *, dtype=None) >>> # 举例: >>> input = Tensor(np.array([[[1.0, 2.0], [3.0, 4.0]], ... [[5.0, 6.0], [7.0, 8.0]]]).astype(np.float32)) >>> output = ops.norm(input, ord=2, dim=(0, 1)) |
接口名称：mindspore.Tensor.norm
变更内容：扩展ord参数功能，支持多种形式。
说明：参考ops.norm例子。
| 原接口 | v2.0.0-rc1接口 |
Tensor.norm(axis, p=2, keep_dims=False, epsilon=1e-12) |
Tensor.norm(ord=None, dim=None, keepdim=False, *, dtype=None) |
接口名称：mindspore.ops.dropout
变更内容：删除seed0、seed1参数，新增参数seed=None。由返回Tensor和掩码改为只返回Tensor，新增入参training=True。
| 原接口 | v2.0.0-rc1接口 |
ops.dropout(x, p=0.5, seed0=0, seed1=0) >>> # 举例: >>> input = Tensor(((20, 16), (50, 50)), ... mindspore.float32) >>> output, mask = dropout(x, p=0.5) |
ops.dropout(input, p=0.5, training=True, seed=None) >>> # 举例: >>> input = Tensor(((20, 16), (50, 50)), ... mindspore.float32) >>> output = ops.dropout(input, p=0.5，training=True) |
接口名称：mindspore.ops.dropout2d
变更内容：返回值从Tensor和掩码改为只返回Tensor，新增入参training=True。
| 原接口 | v2.0.0-rc1接口 |
ops.dropout2d(x, p=0.5) >>> # 举例: >>> input = Tensor(np.ones([2, 1, 2, 3]), ... mindspore.float32) >>> output, mask = dropout2d(input, 0.5) |
ops.dropout2d(input, p=0.5, training=True) >>> # 举例: >>> input = Tensor(np.ones([2, 1, 2, 3]), ... mindspore.float32) >>> output = ops.dropout2d(input, 0.5, training=True) |
接口名称：mindspore.ops.dropout3d
变更内容：返回值从Tensor和掩码改为只返回Tensor，新增入参training=True。
| 原接口 | v2.0.0-rc1接口 |
ops.dropout3d(x, p=0.5) >>> # 举例: >>> input = Tensor(np.ones([2, 1, 2, 3]), ... mindspore.float32) >>> output, mask = dropout3d(input, 0.5) |
ops.dropout3d(input, p=0.5, training=True) >>> # 举例: >>> input = Tensor(np.ones([2, 1, 2, 3]), ... mindspore.float32) >>> output = ops.dropout3d(input, 0.5, training=True) |
接口名称：mindspore.ops.std
变更内容：接口重构，接口使用方式更符合用户使用习惯。
说明：原有unbiased如果已显示设置，采用以下替代方案： ddof=0替代unbiased=False，ddof=1替代unbiased=True。
| 原接口 | v2.0.0-rc1接口 |
ops.std(input_x, axis=(), unbiased=True, keep_dims=False) |
ops.std(input, axis=None, ddof=0, keepdims=False) |
接口名称：mindspore.load_param_into_net
变更内容：新增ckpt中未加载的参数作为返回值。
| 原接口 | v2.0.0-rc1接口 |
net_param = load_param_into_net() |
net_param, ckpt_param = load_param_into_net() |
接口名称：mindspore.nn.BCELoss
变更内容：reduction 默认值由'none'变为'mean'。
| 原接口 | v2.0.0-rc1接口 |
BCELoss(weight=None, reduction='none') >>> # 举例: >>> weight = Tensor(np.array([[1.0, 2.0, 3.0], ... [4.0, 3.3, 2.2]]), ... mindspore.float32) >>> loss = nn.BCELoss(weight=weight, reduction='mean') >>> logits = Tensor(np.array([[0.1, 0.2, 0.3], ... [0.5, 0.7, 0.9]]), ... mindspore.float32) >>> labels = Tensor(np.array([[0, 1, 0], [0, 0, 1]]), ... mindspore.float32) >>> output = loss(logits, labels) >>> print(output) >>> 1.8952923 |
BCELoss(weight=None, reduction='mean') >>> # 举例: >>> weight = Tensor(np.array([[1.0, 2.0, 3.0], ... [4.0, 3.3, 2.2]]), ... mindspore.float32) >>> loss = nn.BCELoss(weight=weight) >>> logits = Tensor(np.array([[0.1, 0.2, 0.3], ... [0.5, 0.7, 0.9]]), ... mindspore.float32) >>> labels = Tensor(np.array([[0, 1, 0], [0, 0, 1]]), ... mindspore.float32) >>> output = loss(logits, labels) >>> print(output) >>> 1.8952923 |
接口名称：mindspore.ops.split
变更内容：接口重构，接口使用方式更符合用户使用习惯，调整第2个和第3个参数的顺序，修改并扩展split_size_or_sections功能。
| 原接口 | v2.0.0-rc1接口 |
ops.split(input_x, axis=0, output_num=1) >>> # 举例: >>> input = Tensor(np.array([[1, 1, 1, 1], [2, 2, 2, 2]]), ... mindspore.int32) >>> output = ops.split(input, axis=1, output_num=4) |
ops.split(tensor, split_size_or_sections, axis=0) >>> # 举例: >>> input = Tensor(np.array([[1, 1, 1, 1], [2, 2, 2, 2]]), ... mindspore.int32) >>> output = ops.split(input, split_size_or_sections=1, axis=1) |
接口名称：mindspore.Tensor.split
变更内容：接口重构，接口使用方式更符合用户使用习惯，调整两个参数的位置，修改并扩展split_size_or_sections功能。
说明：参考ops.split例子。
| 原接口 | v2.0.0-rc1接口 |
Tensor.split(axis=0, output_num=1) |
Tensor.split(split_size_or_sections, axis=0) |
接口名称：mindspore.ops.pad
变更内容：修改参数名paddings为padding，添加mode和value功能。
| 原接口 | v2.0.0-rc1接口 |
ops.pad(input_x, paddings) >>> # 举例: >>> input_x = Tensor(np.array([[-0.1, 0.3, 3.6], ... [0.4, 0.5, -3.2]]), ... mindspore.float32) >>> paddings = ((1, 2), (2, 1)) >>> output = ops.pad(input_x, paddings) |
ops.pad(input_x, padding, mode='constant', value=None) >>> # 举例: >>> input_x = Tensor(np.array([[-0.1, 0.3, 3.6], ... [0.4, 0.5, -3.2]]), ... mindspore.float32) >>> paddings = (2, 1, 1, 2) >>> output = ops.pad(input_x, paddings) |
接口名称：mindspore.ops.meshgrid
变更内容：入参由inputs改为*input。
| 原接口 | v2.0.0-rc1接口 |
ops.meshgrid(inputs, indexing='xy') >>> # 举例: >>> x = Tensor(np.array([1, 2, 3, 4]).astype(np.int32)) >>> y = Tensor(np.array([5, 6, 7]).astype(np.int32)) >>> z = Tensor(np.array([8, 9, 0, 1, 2]).astype(np.int32)) >>> output = ops.meshgrid((x, y, z), indexing='xy') |
ops.meshgrid(*inputs, indexing='xy') >>> # 举例: >>> x = Tensor(np.array([1, 2, 3, 4]).astype(np.int32)) >>> y = Tensor(np.array([5, 6, 7]).astype(np.int32)) >>> z = Tensor(np.array([8, 9, 0, 1, 2]).astype(np.int32)) >>> output = ops.meshgrid(x, y, z, indexing='xy') |
接口名称：mindspore.ops.max
变更内容：返回值调换顺序，由：“下标，最大值”改为“最大值，下标”。
| 原接口 | v2.0.0-rc1接口 |
ops.max(x, axis=0, keep_dims=False) >>> # 举例: >>> input = Tensor(np.array([0.0, 0.4, 0.6, 0.7, 0.1]), ... mindspore.float32) >>> index, output = ops.max(input) >>> print(index, output) >>> 3 0.7 |
ops.max(input, axis=None, keepdims=False, *, initial=None, where=True, return_indices=False) >>> # 举例: >>> input = Tensor(np.array([0.0, 0.4, 0.6, 0.7, 0.1]), ... mindspore.float32) >>> output, index = ops.max(input, axis=0) >>> print(output, index) |
接口名称：mindspore.ops.min
变更内容：返回值调换顺序，由：“下标，最小值”改为“最小值，下标”。
| 原接口 | v2.0.0-rc1接口 |
ops.min(x, axis=0, keep_dims=False) >>> # 举例: >>> input = Tensor(np.array([0.0, 0.4, 0.6, 0.7, 0.1]), ... mindspore.float32) >>> index, output = ops.min(input) >>> 0 0.0 |
ops.min(input, axis=None, keepdims=False, *, initial=None, where=True, return_indices=False) >>> # 举例: >>> input = Tensor(np.array([0.0, 0.4, 0.6, 0.7, 0.1]), ... mindspore.float32) >>> output, index = ops.min(input, keepdims=True) >>> 0.0 0 |
接口名称：mindspore.ops.random_gamma
变更内容：删除seed2参数，seed=0改为None。框架行为统一且符合用户实际使用场景及习惯。
| 原接口 | v2.0.0-rc1接口 |
ops.random_gamma(shape, alpha, seed=0, seed2=0) |
ops.random_gamma(shape, alpha, seed=None) |
接口名称：mindspore.ops.standard_laplace
变更内容：删除seed2参数，seed=0改为None。框架行为统一且符合用户实际使用场景及习惯。
| 原接口 | v2.0.0-rc1接口 |
ops.standard_laplace(shape, seed=0, seed2=0) |
ops.standard_laplace(shape, seed=None) |
接口名称：mindspore.ops.standard_normal
变更内容：删除seed2参数，seed=0改为None。框架行为统一且符合用户实际使用场景及习惯。
| 原接口 | v2.0.0-rc1接口 |
ops.standard_normal(shape, seed=0, seed2=0) |
ops.standard_normal(shape, seed=None) |
接口名称：mindspore.ops.bernoulli
变更内容：seed的默认值由-1改为None。符合用户实际使用场景。
| 原接口 | v2.0.0-rc1接口 |
ops.bernoulli(x, p=0.5, seed=-1) |
ops.bernoulli(input, p=0.5, seed=None) |
接口名称：mindspore.data_sink
变更内容：删除steps参数，jit参数名称修改为jit_config，新增input_signature参数。增加易用性，符合用户实际使用场景。
| 原接口 | v2.0.0-rc1接口 |
mindspore.data_sink(fn, dataset, steps,
sink_size=1, jit=False)
|
mindspore.data_sink(fn, dataset, sink_size=1,
jit_config=None, input_signature=None)
|
接口名称：mindspore.ops.conv2d
变更内容：扩展接口功能，添加bias参数，修改参数名及参数顺序。
| 原接口 | v2.0.0-rc1接口 |
conv2d(inputs, weight, pad_mode="valid",
padding=0, stride=1, dilation=1, group=1)
|
conv2d(input, weight, bias=None, stride=1,
pad_mode="valid", padding=0, dilation=1, groups=1)
|
接口名称：mindspore.dataset.vision.Pad
变更内容：调整Pad、RandomCrop、RandomCropWithBbox入参padding，当Padding输入长度为2的序列时，行为将从使用第一个值填充左/上边界，使用第二个值填充右/下边界，变为使用第一个值填充左/右边界，使用第二个值填充上/下边界。
说明：仅使用size为2的padding参数无法兼容旧版本的效果，需显式表示（左、右、上、下）。
| 原接口 | v2.0.0-rc1接口 |
mindspore.dataset.vision.Pad(padding=(1,2)) 代表图片的左/上填充 1像素，右/下填充 2像素 |
mindspore.dataset.vision.Pad(padding=(1,2,1,2)) 代表图片的左/上填充 1像素，右/下填充 2像素 |
接口名称：mindspore.dataset.Dataset.map
变更内容：删除column_order参数。因为在绝大部分的情况下，output_columns参数与column_order参数都是同一个值，不需要再传入column_order。若需要调整数据列顺序，使用mindspore.dataset.Dataset.project实现。
说明：
| 原接口 | v2.0.0-rc1接口 |
>>> dataset = dataset.map(operations=[transforms], ... input_columns=["column_a"], ... output_columns=["column_b", "column_c"], ... column_order=["column_c", "column_b"]) |
>>> dataset = dataset.map(operations=[transforms], ... input_columns=["column_a"], ... output_columns=["column_b", "column_c"]) >>> dataset = dataset.project(["column_c", column_b"])") |
接口名称：mindspore.dataset.Dataset.batch
变更内容：删除column_order参数。因为在绝大部分的情况下，output_columns参数与column_order参数都是同一个值，不需要再传入column_order。若需要调整数据列顺序，使用mindspore.dataset.Dataset.project实现。
说明：
| 原接口 | v2.0.0-rc1接口 |
>>> dataset = dataset.batch(batch_size=4, ... input_columns=["column_a"], ... output_columns=["column_b", "column_c"], ... column_order=["column_c", "column_b"]) |
>>> dataset = dataset.batch(batch_size=4, input_columns=["column_a"] ... output_columns=["column_b", "column_c"]) >>> dataset = dataset.project(["column_c", column_b"])") |
接口名称：mindspore.dataset.Dataset.batch
变更内容：将batch方法拆分为：batch和padded_batch两个方法。pad_info参数从batch方法移动到padded_batch方法。
说明：如需使用pad_info参数，改用padded_batch方法。
| 原接口 | v2.0.0-rc1接口 |
>>> dataset = dataset.batch(batch_size=4, ... drop_remainder=True, pad_info=...) |
>>> dataset = dataset.padded_batch(batch_size=4, ... drop_remainder=True, pad_info=...) |
[I66PE6] 修复 AssignSub算子异常入参导致core dump的问题。
[I6F5E6] 修复 data_sink 方法在Ascend上执行超时的问题。
感谢以下人员做出的贡献：
alashkari,anzhengqi,archer2049,B.L.LAN,baihuawei,bichaoyang,BJ-WANG,Bokai Li,Brian-K,caifubi,caiyimeng,cathwong,changzherui,ChenDonYY,chenfei_mindspore,chengang,chengbin,chenhaozhe,chenjianping,chenkang,chenweifeng,chuht,chujinjin,davidanugraha,DavidFFFan,DeshiChen,douzhixing,emmmmtang,Erpim,Ethan,fangwenyi,fangzehua,fangzhou0329,fary86,fengyixing,gaoshuanglong,Gaoxiong,gaoyong10,gengdongjie,gongdaguo1,Greatpan,GuoZhibin,guozhijian,hangq,hanhuifeng,haozhang,hedongdong,Henry Shi,heterogeneous_to_backoff_2_0,huangbingjian,huanghui,huangxinjing,hujiahui8,hujingsong,huoxinyou,jachua,jiahongQian,jianghui58,jiangzhenguang,jiaorui,jiaoy1224,jijiarong,jjfeing,JoeyLin,json,JuiceZ,jxl,kairui_kou,KevinYi,kisnwang,KXiong,laiyongqiang,lanzhineng,liangchenghui,liangzelang,LiangZhibo,lianliguang,lichen,ligan,lijunbin,limingqi107,ling,linqingke,liubuyu,liuchao,liuchuting,liujunzhu,liuluobin,liutongtong9,liuyang811,lixiao,liyan2022,liyejun,liyuxia,looop5,luochao60,luojianing,luoyang,luoyuan,lyqlola,maning202007,maoyaomin,Margaret_wangrui,mayadong,MaZhiming,melody,mengyuanli,michaelzhu_70ab,Mohammad Motallebi,moran,NaCN,nomindcarry,OwenSec,panfengfeng,panshaowu,panzhihui,pkuliuliu,qinzheng,qiuzhongya,qujianwei,r1chardf1d0,Renyuan Zhang,RobinGrosman,shaojunsong,shenwei41,Soaringfish,tangdezhi_123,tanghuikang,tan-wei-cheng,TinaMengtingZhang,TronZhang,TuDouNi,VectorSL,wang_ziqi,wanghenchang,wangnan39,wangpingan,wangshaocong,wangshengnan123,wangtongyu6,weichaoran,wind-zyx,wqx,wtcheng,wujueying,wYann,XianglongZeng,xiaohanzhang,xiaotianci,xiaoyao,XinDu,xulei,xumengjuan1,xupan,xwkgch,yanghaoran,yangluhang,yangruoqi713,yangshuo,yangsijia,yangzhenzhang,yanzhenxiang2020,Yanzhi_YI,yao_yf,yefeng,yeyunpeng2020,Yi_zhang95,yide12,YijieChen,YingLai Lin,YingtongHu,youshu,yuchaojie,yuedongli,YuJianfeng,zangqx,ZengZitao,zhangbuxue,zhangdanyang,zhangdong,zhangfanghe,zhangqi,zhangqinghua,zhangyanhui,zhangyinxia,zhangyongxian,zhangzhaoju,zhanzhan,zhengzuohe,ZhidanLiu,zhixinaa,zhoufeng,zhouyaqiang0,zhuguodong,zhupuxu,zhuyuxiao,zichun_ye,zjun,zlq2020,zong_shuai,ZPaC,zuochuanyong,zyli2020,陈宇,范吉斌,冯一航,胡彬,宦晓玲,黄勇,雷元哲,李良灿,李林杰,刘崇鸣,刘力力,刘勇琪,吕浩宇,吕昱峰（Nate.River）,没有窗户的小巷,沈竞兴,十六夜,王程浩,王禹程,王振邦,徐安越,徐永飞,杨旭华,于振华,俞涵,张清华,张澍坤,张栩浩,张学同,赵英灼,周超,周洪叶,朱家兴
欢迎以任何形式对项目提供贡献！
原MindSpore Lite版本主要面向手机、车机等边缘设备，新增云侧推理版本支持云侧多后端硬件资源的场景，支持Ascend及Nvidia GPU推理专用卡，高效利用云侧多核资源。
原通过MindSpore训练版本集成的推理方式可以变更为基于MindSpore Lite进行适配集成，具体可参考云侧推理快速入门，如果想要保持原始集成方式可以参考MindSpore推理FAQ。
Model接口和ModelParallelRunner并行推理接口。mindspore.dataset.config.set_seed 对随机种子设置不生效的问题。支持更多算子分布式能力。
Element Wise类算子：AddN、 BitwiseAnd、 BitwiseOr、 BitwiseXor、 CumProd、 HShrink、 HSigmoid、 IsFinite、 Mish、 MulNoNan、 Rint、 SeLU、 SoftShrink、 TruncateDiv、 TruncateMod、 Xdivy Xlogy、 InplaceAdd、 InplacSub、 InplaceUpdate、 Cdist、 L2Loss、 Lerp。
Math类算子：SquaredDifference、 Erfinv、 MaskedFill、 SplitV、 Gamma、 KLDivLoss、 LinSpace。Scatter类算子：ScatterAdd、ScatterDiv、ScatterMax、ScatterMul、ScatterNdAdd、ScatterNdSub、ScatterNdUpdate、ScatterSub、TensorScatterAdd、TensorScatterDiv、TensorScatterMax、TensorScatterMax、TensorScatterMul、TensorScatterAdd、TensorScatterUpdate。
增加transform_checkpoints和transform_checkpoint_by_rank接口。给定转换前后的策略文件，即可实现对分布式权重转换。详情请参考分布式弹性训练与推理。
mindspore.ops.AdaptiveMaxPool3D 新增算子原语。mindspore.ops.AdjustHue 新增算子原语。mindspore.ops.BartlettWindow 新增算子原语。mindspore.ops.BesselJ0 新增算子原语。mindspore.ops.BesselJ1 新增算子原语。mindspore.ops.BesselK0 新增算子原语。mindspore.ops.BesselK0e 新增算子原语。mindspore.ops.BesselK1 新增算子原语。mindspore.ops.BesselK1e 新增算子原语。mindspore.ops.BesselY0 新增算子原语。mindspore.ops.BesselY1 新增算子原语。mindspore.ops.Betainc 新增算子原语。mindspore.ops.Bincount 新增算子原语。mindspore.ops.BlackmanWindow 新增算子原语。mindspore.ops.Bucketize 新增算子原语。mindspore.ops.CombinedNonMaxSuppression 新增算子原语。mindspore.ops.CompareAndBitpack 新增算子原语。mindspore.ops.Complex 新增算子原语。mindspore.ops.DataFormatVecPermute 新增算子原语。mindspore.ops.EuclideanNorm 新增算子原语。mindspore.ops.Expand 新增算子原语。mindspore.ops.ExtractGlimpse 新增算子原语。mindspore.ops.FillDiagonal 新增算子原语。mindspore.ops.FractionalAvgPool 新增算子原语。mindspore.ops.FractionalMaxPool 新增算子原语。mindspore.ops.Gcd 新增算子原语。mindspore.ops.HammingWindow 新增算子原语。mindspore.ops.Histogram 新增算子原语。mindspore.ops.HSVToRGB 新增算子原语。mindspore.ops.Lcm 新增算子原语。mindspore.ops.LeftShift 新增算子原语。mindspore.ops.ListDiff 新增算子原语。mindspore.ops.LogSpace 新增算子原语。mindspore.ops.Lstsq 新增算子原语。mindspore.ops.MatrixDiagPartV3 新增算子原语。mindspore.ops.MatrixDiagV3 新增算子原语。mindspore.ops.MatrixExp 新增算子原语。mindspore.ops.MatrixPower 新增算子原语。mindspore.ops.MaxPool3DWithArgmax 新增算子原语。mindspore.ops.MaxUnpool2D 新增算子原语。mindspore.ops.MultilabelMarginLoss 新增算子原语。mindspore.ops.NextAfter 新增算子原语。mindspore.ops.Orgqr 新增算子原语。mindspore.ops.ReduceStd 新增算子原语。mindspore.ops.RGBToHSV 新增算子原语。mindspore.ops.RightShift 新增算子原语。mindspore.ops.SampleDistortedBoundingBoxV2 新增算子原语。mindspore.ops.ScaleAndTranslate 新增算子原语。mindspore.ops.ScatterAddWithAxis 新增算子原语。mindspore.ops.ScatterNdDiv 新增算子原语。mindspore.ops.ScatterNdMax 新增算子原语。mindspore.ops.ScatterNdMul 新增算子原语。mindspore.ops.STFT 新增算子原语。mindspore.ops.Trace 新增算子原语。mindspore.ops.UpsampleNearest3D 新增算子原语。mindspore.ops.UpsampleTrilinear3D 新增算子原语。mindspore.parallel.transform_checkpoints 新增分布式权重转换接口。mindspore.parallel.transform_checkpoint_by_rank 新增分布式权重转换接口。mindspore.ms_function接口名替换为mindspore.jit，mindspore.ms_function 将在未来版本中弃用并删除。mindspore.ms_class接口名替换为mindspore.jit_class，mindspore.ms_class 将在未来版本中弃用并删除。mindspore.ops.ms_kernel接口名替换为mindspore.ops.kernel，mindspore.ops.ms_kernel 将在未来版本中弃用并删除。mindspore.dataset.map接口参数 column_order 不再生效，使用mindspore.dataset.project替换。mindspore.dataset.close_pool、mindspore.dataset.to_device、mindspore.dataset.set_dynamic_columns 接口在之前版本已废弃，当前版本正式删除。感谢以下人员做出的贡献:
AGroupofProbiotocs, anzhengqi, askmiao, baihuawei, baiyangfan, bai-yangfan, bingyaweng, BowenK, buxue, caifubi, CaoJian, caojian05, caozhou, Cathy, changzherui, chenbo116, chenfei, chengxianbin, chenhaozhe, chenjianping, chenzomi, chenzupeng, chujinjin, cj, cjh9368, Corleone, damon0626, danish, Danish, davidmc, dayschan, doitH, dong-li001, fary86, fuzhiye, Gaoxiong, GAO_HYP_XYJ, gengdongjie, Gogery, gongdaguo, gray0v0, gukecai, guoqi, gzhcv, hangq, hanhuifeng2020, Harshvardhan, He, heleiwang, hesham, hexia, Hoai, HuangBingjian, huangdongrun, huanghui, huangxinjing, huqi, huzhifeng, hwjiaorui, Jiabin Liu, jianghui58, Jiaqi, jin-xiulang, jinyaohui, jjfeing, John, jonyguo, JulyAi, jzg, kai00, kingfo, kingxian, kpy, kswang, liuyongqi, laiyongqiang, leonwanghui, liangchenghui, liangzelang, lichen_101010, lichenever, lihongkang, lilei, limingqi107, ling, linqingke, Lin Xh, liubuyu, liuwenhao4, liuxiao78, liuxiao93, liuyang_655, liuzhongkai, Lixia, lixian, liyanliu, liyong, lizhenyu, luopengting, lvchangquan, lvliang, lz, maning202007, Margaret_wangrui, mengyuanli, Ming_blue, ms_yan, ougongchang, panfengfeng, panyifeng, Payne, Peilin, peixu_ren, Pengyongrong, qianlong, qianjiahong, r1chardf1d0, riemann_penn, rmdyh, Sheng, shenwei41, simson, Simson, Su, sunsuodong, tao_yunhao, tinazhang, VectorSL, , Wan, wandongdong, wangdongxu, wangmin, wangyue01, wangzhe, wanyiming, Wei, wenchunjiang, wilfChen, WilliamLian, wsc, wudenggang, wukesong, wuweikang, wuxuejian, Xiao Tianci, Xiaoda, xiefangqi, xinyunfan, xuanyue, xuyongfei, yanghaitao, yanghaitao1, yanghaoran, YangLuo, yangruoqi713, yankai, yanzhenxiang2020, yao_yf, yepei6, yeyunpeng, Yi, yoni, yoonlee666, yuchaojie, yujianfeng, yuximiao, zengzitao, Zhang, zhanghuiyao, zhanghui_china, zhangxinfeng3, zhangyihui, zhangz0911gm, zhanke, zhanyuan, zhaodezan, zhaojichen, zhaoting, zhaozhenlong, zhengjun10, zhiqwang, zhoufeng, zhousiyi, zhouyaqiang, zhouyifengCode, Zichun, Ziyan, zjun, ZPaC, wangfengwfwf, zymaa, gerayking, shu-kun-zhang.
欢迎以任何形式对项目提供贡献！
感谢以下人员做出的贡献:
archer2049, caifubi, chenfei_mindspore, gaoshuanglong, Greatpan, guozhijian, huoxinyou, Kxiong, lanzhineng, lijunbin, liubuyu, liuchuting, luochao60, lyqlola, nomindcarry, TuDouNi, xiaotianci, xupan, yangshuo, yefeng, YingtongHu, yuchaojie, zhoufeng, ZPaC, 刘勇琪, 吕昱峰, 王禹程, 于振华.
欢迎以任何形式对项目提供贡献！
感谢以下人员做出的贡献:
AGroupofProbiotocs, anzhengqi, askmiao, baihuawei, baiyangfan, bai-yangfan, bingyaweng, BowenK, buxue, caifubi, CaoJian, caojian05, caozhou, Cathy, changzherui, chenbo116, chenfei, chengxianbin, chenhaozhe, chenjianping, chenzomi, chenzupeng, chujinjin, cj, cjh9368, Corleone, damon0626, danish, Danish, davidmc, dayschan, doitH, dong-li001, fary86, fuzhiye, Gaoxiong, GAO_HYP_XYJ, gengdongjie, Gogery, gongdaguo, gray0v0, gukecai, guoqi, gzhcv, hangq, hanhuifeng2020, Harshvardhan, He, heleiwang, hesham, hexia, Hoai, HuangBingjian, huangdongrun, huanghui, huangxinjing, huqi, huzhifeng, hwjiaorui, Jiabin Liu, jianghui58, Jiaqi, jin-xiulang, jinyaohui, jjfeing, John, jonyguo, JulyAi, jzg, kai00, kingfo, kingxian, kpy, kswang, liuyongqi, laiyongqiang, leonwanghui, liangchenghui, liangzelang, lichen_101010, lichenever, lihongkang, lilei, limingqi107, ling, linqingke, Lin Xh, liubuyu, liuwenhao4, liuxiao78, liuxiao93, liuyang_655, liuzhongkai, Lixia, lixian, liyanliu, liyong, lizhenyu, luopengting, lvchangquan, lvliang, lz, maning202007, Margaret_wangrui, mengyuanli, Ming_blue, ms_yan, ougongchang, panfengfeng, panyifeng, Payne, Peilin, peixu_ren, Pengyongrong, qianlong, qianjiahong, r1chardf1d0, riemann_penn, rmdyh, Sheng, shenwei41, simson, Simson, Su, sunsuodong, tao_yunhao, tinazhang, VectorSL, , Wan, wandongdong, wangdongxu, wangmin, wangyue01, wangzhe, wanyiming, Wei, wenchunjiang, wilfChen, WilliamLian, wsc, wudenggang, wukesong, wuweikang, wuxuejian, Xiao Tianci, Xiaoda, xiefangqi, xinyunfan, xuanyue, xuyongfei, yanghaitao, yanghaitao1, yanghaoran, YangLuo, yangruoqi713, yankai, yanzhenxiang2020, yao_yf, yepei6, yeyunpeng, Yi, yoni, yoonlee666, yuchaojie, yujianfeng, yuximiao, zengzitao, Zhang, zhanghuiyao, zhanghui_china, zhangxinfeng3, zhangyihui, zhangz0911gm, zhanke, zhanyuan, zhaodezan, zhaojichen, zhaoting, zhaozhenlong, zhengjun10, zhiqwang, zhoufeng, zhousiyi, zhouyaqiang, zhouyifengCode, Zichun, Ziyan, zjun, ZPaC, wangfengwfwf, zymaa, gerayking, shu-kun-zhang.
欢迎以任何形式对项目提供贡献！
mindspore.amp.LossScaler 、 mindspore.amp.DynamicLossScaler 、 mindspore.amp.StaticLossScaler 、 mindspore.amp.auto_mixed_precision 、 mindspore.amp.all_finite 等融合编程范式下的混合精度接口。nn.AdaptiveAvgPool3d 新增nn接口。ops.adaptive_avg_pool3d 新增functional接口。ops.addcdiv 新增functional接口。ops.addcmul 新增functional接口。ops.approximate_equal 新增GPU、CPU支持。ops.atanh 新增GPU支持。ops.bessel_i0 新增GPU支持。ops.bessel_i0e 新增Ascend支持。ops.bessel_i1 新增GPU支持。ops.bessel_i1e 新增Ascend、GPU支持。ops.bessel_j0 新增GPU支持。ops.bessel_j1 新增GPU支持。ops.bessel_k0 新增GPU支持。ops.bessel_k0e 新增GPU支持。ops.bessel_k1 新增GPU支持。ops.bessel_k1e 新增GPU支持。ops.bessel_y0 新增GPU支持。ops.bessel_y1 新增GPU支持。ops.bias_add 新增functional接口。ops.bitwise_and 新增GPU支持。ops.bitwise_or 新增GPU支持。ops.bitwise_xor 新增GPU支持。ops.grid_sample 新增Ascend支持。ops.inplace_update 新增CPU支持。ops.isclose 新增Ascend、GPU支持。ops.isnan 新增Ascend支持。ops.lerp 新增GPU支持。ops.random_poisson 新增functional接口。ops.reverse_sequence 新增functional接口。ops.scatter_mul 新增GPU支持。ops.scatter_nd_max 新增functional接口。ops.scatter_nd_min 新增functional接口。ops.SparseToDense 新增GPU支持。ops.square 新增functional接口。ops.standard_laplace 新增GPU支持。ops.std 新增functional接口。ops.trunc 新增Ascend、GPU支持。ops.unsorted_segment_sum 新增functional接口。ops.xdivy 新增functional接口。ops.xlogy 新增GPU支持。ops.poisson 接口废弃使用，对应新接口为 ops.random_poisson 。ops.SparseApplyAdagrad 接口废弃使用，可使用 ops.SparseApplyAdagradV2 接口替代。[BUGFIX] 修改混合精度O2 level的判断逻辑，在原来屏蔽 BatchNorm1d 、 BatchNorm2d 算子的基础上，添加另外两个屏蔽算子BatchNorm3d和LayerNorm，这4个算子依然用float32数据类型计算。
[BUGFIX] Dataset处理字符串类型数据时，若调用create_dict_iterator或create_tuple_iterator接口时指定了output_numpy=True，获取到的数据会是numpy.bytes_类型。修复此问题后接口会直接返回numpy.str_类型数据，用户无需再对其进行字符串解码操作。同样，在使用自定义数据处理函数时，接收到的数据也将直接是numpy.str_类型，与原始数据类型相匹配。
感谢以下人员做出的贡献:
AGroupofProbiotocs, anzhengqi, askmiao, baihuawei, baiyangfan, bai-yangfan, bingyaweng, BowenK, buxue, caifubi, CaoJian, caojian05, caozhou, Cathy, changzherui, chenbo116, chenfei, chengxianbin, chenhaozhe, chenjianping, chenzomi, chenzupeng, chujinjin, cj, cjh9368, Corleone, damon0626, danish, Danish, davidmc, dayschan, doitH, dong-li001, fary86, fuzhiye, Gaoxiong, GAO_HYP_XYJ, gengdongjie, Gogery, gongdaguo, gray0v0, gukecai, guoqi, gzhcv, hangq, hanhuifeng2020, Harshvardhan, He, hesham, hexia, Hoai, HuangBingjian, huangdongrun, huanghui, huangxinjing, huqi, huzhifeng, hwjiaorui, Jiabin Liu, jianghui58, Jiaqi, jin-xiulang, jinyaohui, jjfeing, John, jonyguo, JulyAi, jzg, kai00, kingfo, kingxian, kpy, kswang, liuyongqi, laiyongqiang, leonwanghui, liangchenghui, liangzelang, lichen_101010, lichenever, lihongkang, lilei, limingqi107, ling, linqingke, Lin Xh, liubuyu, liuwenhao4, liuxiao78, liuxiao93, liuyang_655, liuzhongkai, liyanliu, lizhenyu, lvchangquan, lvliang, lz, maning202007, Margaret_wangrui, mengyuanli, Ming_blue, ms_yan, panfengfeng, panyifeng, Payne, peixu_ren, Pengyongrong, qianjiahong, r1chardf1d0, riemann_penn, rmdyh, Sheng, shenwei41, simson, Simson, Su, sunsuodong, tao_yunhao, tinazhang, VectorSL, Wan, wandongdong, wangdongxu, wangmin, wangyue01, wangzhe, wanyiming, Wei, wenchunjiang, wilfChen, WilliamLian, wsc, wudenggang, wukesong, wuweikang, Xiao Tianci, Xiaoda, xiefangqi, xinyunfan, xuanyue, xuyongfei, yanghaitao, yanghaoran, YangLuo, yangruoqi713, yankai, yanzhenxiang2020, yao_yf, yepei6, yeyunpeng, Yi, yoni, yoonlee666, yuchaojie, yujianfeng, yuximiao, zengzitao, Zhang, zhanghuiyao, zhanghui_china, zhangxinfeng3, zhangyihui, zhangz0911gm, zhanyuan, zhaojichen, zhaoting, zhaozhenlong, zhengjun10, zhiqwang, zhoufeng, zhousiyi, zhouyaqiang, zhouyifengCode, Zichun, Ziyan, zjun, ZPaC, wangfengwfwf, zymaa, gerayking, shu-kun-zhang.
欢迎以任何形式对项目提供贡献！
mindspore.train.Model.fit API，增加两种callback方法 mindspore.train.callback.EarlyStopping 和 mindspore.train.callback.ReduceLROnPlateau。mindspore.dataset.vision.c_transforms.SoftDvppDecodeRandomCropResizeJpeg 和 mindspore.dataset.vision.c_transforms.SoftDvppDecodeResizeJpeg 接口。on_train_epoch_end 方法，实现在 mindspore.train.Model.fit 中使用时，打印epoch级别的metric信息。filter_prefix：不再支持空字符串("")，匹配规则由强匹配修改为模糊匹配。mindspore.context、mindspore.parallel、mindspore.profiler、mindspore.train模块的接口可直接在mindspore模块使用。原有用法仍可以继续支持。
例如：
mindspore.context.set_context可简化为mindspore.set_context。mindspore.parallel.set_algo_parameters可简化为mindspore.set_algo_parameters。mindspore.profiler.Profiler可简化为mindspore.Profiler。mindspore.train.callback.Callback可简化为mindspore.train.Callback。API页面统一汇总至：https://www.mindspore.cn/docs/zh-CN/r1.8/api_python/mindspore.html。
感谢以下人员做出的贡献：
AGroupofProbiotocs, anzhengqi, askmiao, baihuawei, baiyangfan, bai-yangfan, bingyaweng, BowenK, buxue, caifubi, CaoJian, caojian05, caozhou, Cathy, changzherui, chenbo116, chenfei, chengxianbin, chenhaozhe, chenjianping, chenzomi, chenzupeng, chujinjin, cj, cjh9368, Corleone, damon0626, danish, Danish, davidmc, dayschan, doitH, dong-li001, fary86, fuzhiye, Gaoxiong, GAO_HYP_XYJ, gengdongjie, Gogery, gongdaguo, gray0v0, gukecai, guoqi, gzhcv, hangq, hanhuifeng2020, Harshvardhan, He, heleiwang, hesham, hexia, Hoai, HuangBingjian, huangdongrun, huanghui, huangxinjing, huqi, huzhifeng, hwjiaorui, Jiabin Liu, jianghui58, Jiaqi, jin-xiulang, jinyaohui, jjfeing, John, jonyguo, JulyAi, jzg, kai00, kingfo, kingxian, kpy, kswang, liuyongqi, laiyongqiang, leonwanghui, liangchenghui, liangzelang, lichen_101010, lichenever, lihongkang, lilei, limingqi107, ling, linqingke, Lin Xh, liubuyu, liuwenhao4, liuxiao78, liuxiao93, liuyang_655, liuzhongkai, Lixia, lixian, liyanliu, liyong, lizhenyu, luopengting, lvchangquan, lvliang, lz, maning202007, Margaret_wangrui, mengyuanli, Ming_blue, ms_yan, ougongchang, panfengfeng, panyifeng, Payne, Peilin, peixu_ren, Pengyongrong, qianlong, qianjiahong, r1chardf1d0, riemann_penn, rmdyh, Sheng, shenwei41, simson, Simson, Su, sunsuodong, tao_yunhao, tinazhang, VectorSL, , Wan, wandongdong, wangdongxu, wangmin, wangyue01, wangzhe, wanyiming, Wei, wenchunjiang, wilfChen, WilliamLian, wsc, wudenggang, wukesong, wuweikang, wuxuejian, Xiao Tianci, Xiaoda, xiefangqi, xinyunfan, xuanyue, xuyongfei, yanghaitao, yanghaitao1, yanghaoran, YangLuo, yangruoqi713, yankai, yanzhenxiang2020, yao_yf, yepei6, yeyunpeng, Yi, yoni, yoonlee666, yuchaojie, yujianfeng, yuximiao, zengzitao, Zhang, zhanghuiyao, zhanghui_china, zhangxinfeng3, zhangyihui, zhangz0911gm, zhanke, zhanyuan, zhaodezan, zhaojichen, zhaoting, zhaozhenlong, zhengjun10, zhiqwang, zhoufeng, zhousiyi, zhouyaqiang, zhouyifengCode, Zichun, Ziyan, zjun, ZPaC, wangfengwfwf, zymaa, gerayking, shu-kun-zhang.
欢迎以任何形式对项目提供贡献！
mindspore.numpy.rand()、mindspore.numpy.randn()、mindspore.numpy.randint()和mindspore.ops.arange ()。mindspore.train.callback.History。mindspore.ms_class 类装饰器，支持获取用户自定义类的属性和方法。__getitem__/__next__方法返回单个NumPy对象，对应会输出单个数据列。ulimit -u 10240 增加当前用户可用的线程/进程数解决。import mindspore.dataset.engine.datasets as ds ，因其import目录过深且过度依赖Python目录结构。推荐使用 import mindspore.dataset as ds ，更多参考详见 API文档。mindspore.ms_class 接口，作为用户自定义类的类装饰器，使得MindSpore能够识别用户自定义类，并且获取这些类的属性和方法。(!30855)mindspore.SparseTensor接口废弃使用，对应新接口为mindspore.COOTensor。 (!28505)internal，作为框架内部使用。感谢以下人员做出的贡献:
AGroupofProbiotocs, anzhengqi, askmiao, baihuawei, baiyangfan, bai-yangfan, bingyaweng, BowenK, buxue, caifubi, CaoJian, caojian05, caozhou, Cathy, changzherui, chenbo116, chenfei, chengxianbin, chenhaozhe, chenjianping, chenzomi, chenzupeng, chujinjin, cj, cjh9368, Corleone, damon0626, danish, Danish, davidmc, dayschan, doitH, dong-li001, fary86, fuzhiye, Gaoxiong, GAO_HYP_XYJ, gengdongjie, Gogery, gongdaguo, gray0v0, gukecai, guoqi, gzhcv, hangq, hanhuifeng2020, Harshvardhan, He, heleiwang, hesham, hexia, Hoai, HuangBingjian, huangdongrun, huanghui, huangxinjing, huqi, huzhifeng, hwjiaorui, Jiabin Liu, jianghui58, Jiaqi, jin-xiulang, jinyaohui, jjfeing, John, jonyguo, JulyAi, jzg, kai00, kingfo, kingxian, kpy, kswang, liuyongqi, laiyongqiang, leonwanghui, liangchenghui, liangzelang, lichen_101010, lichenever, lihongkang, lilei, limingqi107, ling, linqingke, Lin Xh, liubuyu, liuwenhao4, liuxiao78, liuxiao93, liuyang_655, liuzhongkai, Lixia, lixian, liyanliu, liyong, lizhenyu, luopengting, lvchangquan, lvliang, lz, maning202007, Margaret_wangrui, mengyuanli, Ming_blue, ms_yan, ougongchang, panfengfeng, panyifeng, Payne, Peilin, peixu_ren, Pengyongrong, qianlong, qianjiahong, r1chardf1d0, riemann_penn, rmdyh, Sheng, shenwei41, simson, Simson, Su, sunsuodong, tao_yunhao, tinazhang, VectorSL, , Wan, wandongdong, wangdongxu, wangmin, wangyue01, wangzhe, wanyiming, Wei, wenchunjiang, wilfChen, WilliamLian, wsc, wudenggang, wukesong, wuweikang, wuxuejian, Xiao Tianci, Xiaoda, xiefangqi, xinyunfan, xuanyue, xuyongfei, yanghaitao, yanghaitao1, yanghaoran, YangLuo, yangruoqi713, yankai, yanzhenxiang2020, yao_yf, yepei6, yeyunpeng, Yi, yoni, yoonlee666, yuchaojie, yujianfeng, yuximiao, zengzitao, Zhang, zhanghuiyao, zhanghui_china, zhangxinfeng3, zhangyihui, zhangz0911gm, zhanke, zhanyuan, zhaodezan, zhaojichen, zhaoting, zhaozhenlong, zhengjun10, zhiqwang, zhoufeng, zhousiyi, zhouyaqiang, zhouyifengCode, Zichun, Ziyan, zjun, ZPaC, wangfengwfwf, zymaa, gerayking.
欢迎以任何形式对项目提供贡献！
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。