mindspore.Model ================ .. py:class:: mindspore.Model(network, loss_fn=None, optimizer=None, metrics=None, eval_network=None, eval_indexes=None, amp_level="O0", boost_level="O0", **kwargs) 模型训练或推理的高阶接口。 `Model` 会根据用户传入的参数封装可训练或推理的实例。 .. note:: 如果使用混合精度功能，需要同时设置 `optimizer` 参数，否则混合精度功能不生效。 当使用混合精度时，优化器中的 `global_step` 可能与模型中的 `cur_step_num` 不同。 **参数：** - **network** (Cell) – 用于训练或推理的神经网络。 - **loss_fn** (Cell) - 损失函数。如果 `loss_fn` 为None，`network` 中需要进行损失函数计算，必要时也需要进行并行计算。默认值：None。 - **optimizer** (Cell) - 用于更新网络权重的优化器。如果 `optimizer` 为None， `network` 中需要进行反向传播和网络权重更新。默认值：None。 - **metrics** (Union[dict, set]) - 用于模型评估的一组评价函数。例如：{'accuracy', 'recall'}。默认值：None。 - **eval_network** (Cell) - 用于评估的神经网络。未定义情况下，`Model` 会使用 `network` 和 `loss_fn` 封装一个 `eval_network` 。默认值：None。 - **eval_indexes** (list) - 在定义 `eval_network` 的情况下使用。如果 `eval_indexes` 为默认值None，`Model` 会将 `eval_network` 的所有输出传给 `metrics` 。如果配置 `eval_indexes` ，必须包含三个元素，分别为损失值、预测值和标签在 `eval_network` 输出中的位置，此时，损失值将传给损失评价函数，预测值和标签将传给其他评价函数。推荐使用评价函数的 `mindspore.nn.Metric.set_indexes` 代替 `eval_indexes` 。默认值：None。 - **amp_level** (str) - `mindspore.build_train_network` 的可选参数 `level` ， `level` 为混合精度等级，该参数支持["O0", "O2", "O3", "auto"]。默认值："O0"。 - "O0": 不变化。 - "O2": 将网络精度转为float16，BatchNorm保持float32精度，使用动态调整损失缩放系数（loss scale）的策略。 - "O3": 将网络精度（包括BatchNorm）转为float16，不使用损失缩放策略。 - auto: 为不同处理器设置专家推荐的混合精度等级，如在GPU上设为"O2"，在Ascend上设为"O3"。该设置方式可能在部分场景下不适用，建议用户根据具体的网络模型自定义设置 `amp_level` 。 在GPU上建议使用"O2"，在Ascend上建议使用"O3"。 通过 `kwargs` 设置 `keep_batchnorm_fp32` ，可修改BatchNorm的精度策略， `keep_batchnorm_fp32` 必须为bool类型；通过 `kwargs` 设置 `loss_scale_manager` 可修改损失缩放策略，`loss_scale_manager` 必须为 :class:`mindspore.LossScaleManager` 的子类， 关于 `amp_level` 详见 `mindpore.build_train_network` 。 - **boost_level** (str) – `mindspore.boost` 的可选参数, 为boost模式训练等级。支持[“O0”, “O1”, “O2”]. 默认值: “O0”. - "O0": 不变化。 - "O1": 启用boost模式, 性能将提升约20%, 准确率保持不变。 - "O2": 启用boost模式, 性能将提升约30%, 准确率下降小于3%。 如果你想设置boost模式, 可以将 `boost_config_dict` 设置为 `boost.py` 。 .. py:method:: build(train_dataset=None, valid_dataset=None, sink_size=-1, epoch=1, jit_config=None) 数据下沉模式下构建计算图和数据图。 .. warning::这是一个实验性接口，后续可能删除或修改。 .. note:: 如果预先调用该接口构建计算图，那么 `Model.train` 会直接执行计算图。预构建计算图目前仅支持GRAPH_MOD模式和Ascend处理器，仅支持数据下沉模式。 **参数：** - **train_dataset** (Dataset) – 一个训练集迭代器。如果定义了 `train_dataset` ，将会构建训练计算图。默认值：None。 - **valid_dataset** (Dataset) - 一个验证集迭代器。如果定义了 `valid_dataset` ，将会构建验证计算图，此时 `Model` 中的 `metrics` 不能为None。默认值：None。 - **sink_size** (int) - 控制每次数据下沉的数据量。默认值：-1。 - **epoch** (int) - 控制训练轮次。默认值：1。 - **jit_config** (Union[str, str]) – 控制jit设置。默认情况下，如果设置为None，计算图会按默认方式编译。用户可以使用字典自定义编译配置。 例如，可以设置 {'jit_level':'o0'} 来控制 jit 级别。支持控制的数据如下所示。 默认值：None。 - jit_level (string): 控制计算图编译优化级别。可选项: o0/o1。默认值: o1。如果设置为o0，则计算图编译将会传入类似于图阶段的组合。 .. py:method:: eval(valid_dataset, callbacks=None, dataset_sink_mode=True) 模型评估接口。 使用PyNative模式或CPU处理器时，模型评估流程将以非下沉模式执行。 .. note:: 如果 `dataset_sink_mode` 配置为True，数据将被发送到处理器中。此时数据集与模型绑定，数据集仅能在当前模型中使用。如果处理器是Ascend，数据特征将被逐一传输，每次数据传输的上限是256M。 该接口会构建并执行计算图，如果使用前先执行了 `Model.build` ，那么它会直接执行计算图而不构建。 **参数：** - **valid_dataset** (Dataset) – 评估模型的数据集。 - **callbacks** (Optional[list(Callback), Callback]) - 评估过程中需要执行的回调对象或回调对象列表。默认值：None。 - **dataset_sink_mode** (bool) - 数据是否直接下沉至处理器进行处理。默认值：True。 **返回：** Dict，key是用户定义的评价指标名称，value是以推理模式运行的评估结果。 .. py:method:: eval_network :property: 获取该模型的评价网络。 **返回：** 评估网络实例。 .. py:method:: infer_predict_layout(*predict_data) 在 `AUTO_PARALLEL` 或 `SEMI_AUTO_PARALLEL` 模式下为预测网络生成参数layout，数据可以是单个或多个张量。 .. note:: 同一批次数据应放在一个张量中。 **参数：** - **predict_data** (Tensor) – 预测样本，数据可以是单个张量、张量列表或张量元组。 **返回：** Dict，用于加载分布式checkpoint的参数layout字典。它总是作为 `load_distributed_checkpoint()` 函数的一个入参。 **异常：** - **RuntimeError** – 非图模式（GRAPH_MODE）将会抛出该异常。 .. py:method:: infer_train_layout(train_dataset, dataset_sink_mode=True, sink_size=-1) 在 `AUTO_PARALLEL` 或 `SEMI_AUTO_PARALLEL` 模式下为训练网络生成参数layout，当前仅支持在数据下沉模式下使用。 .. warning:: 这是一个实验性的原型，可能会被改变或删除。 .. note:: 这是一个预编译函数。参数必须与Model.train()函数相同。 **参数：** - **train_dataset** (Dataset) – 一个训练数据集迭代器。如果没有损失函数（loss_fn），返回一个包含多个数据的元组（data1, data2, data3, ...）并传递给网络。否则，返回一个元组（data, label），数据和标签将被分别传递给网络和损失函数。 - **dataset_sink_mode** (bool) – 决定是否以数据集下沉模式进行训练。默认值：True。PyNative模式下或处理器为CPU时，训练模型流程使用的是数据不下沉（non-sink）模式。默认值：True。 - **sink_size** (int) – 控制每次数据下沉的数据量，如果 `sink_size` =-1，则每一次epoch下沉完整数据集。如果 `sink_size` >0，则每一次epoch下沉数据量为 `sink_size` 的数据集。如果 `dataset_sink_mode` 为False，则设置 `sink_size` 为无效。默认值：-1。 **返回：** Dict，用于加载分布式checkpoint的参数layout字典。 .. py:method:: predict(*predict_data) 输入样本得到预测结果。 **参数：** **predict_data** (Tensor) – 预测样本，数据可以是单个张量、张量列表或张量元组。 **返回：** 返回预测结果，类型是Tensor或Tensor元组。 .. py:method:: predict_network :property: 获得该模型的预测网络。 **返回：** 预测网络实例。 .. py:method:: train(epoch, train_dataset, callbacks=None, dataset_sink_mode=True, sink_size=-1) 模型训练接口。 使用PYNATIVE_MODE模式或CPU处理器时，模型训练流程将以非下沉模式执行。 .. note:: - 如果 `dataset_sink_mode` 配置为True，数据将被送到处理器中。如果处理器是Ascend，数据特征将被逐一传输，每次数据传输的上限是256M。 - 如果 `dataset_sink_mode` 配置为True，仅在每个epoch结束时调用Callback实例的step_end方法。 - 如果 `dataset_sink_mode` 配置为True，数据集仅能在当前模型中使用。 - 如果 `sink_size` 大于零，每次epoch可以无限次遍历数据集，直到遍历数据量等于 `sink_size` 为止。 - 每次epoch将从上一次遍历的最后位置继续开始遍历。该接口会构建并执行计算图，如果使用前先执行了 `Model.build` ，那么它会直接执行计算图而不构建。 **参数：** - **epoch** (int) – 训练执行轮次。通常每个epoch都会使用全量数据集进行训练。当 `dataset_sink_mode` 设置为True且 `sink_size` 大于零时，则每个epoch训练次数为 `sink_size` 而不是数据集的总步数。 - **train_dataset** (Dataset) – 一个训练数据集迭代器。如果定义了 `loss_fn` ，则数据和标签会被分别传给 `network` 和 `loss_fn` ，此时数据集需要返回一个元组（data, label）。如果数据集中有多个数据或者标签，可以设置 `loss_fn` 为None，并在 `network` 中实现损失函数计算，此时数据集返回的所有数据组成的元组（data1, data2, data3, ...）会传给 `network` 。 - **callbacks** (Optional[list[Callback], Callback]) – 训练过程中需要执行的回调对象或者回调对象列表。默认值：None。 - **dataset_sink_mode** (bool) – 数据是否直接下沉至处理器进行处理。使用PYNATIVE_MODE模式或CPU处理器时，模型训练流程将以非下沉模式执行。默认值：True。 - **sink_size** (int) – 控制每次数据下沉的数据量。`dataset_sink_mode` 为False时 `sink_size` 无效。如果sink_size=-1，则每一次epoch下沉完整数据集。如果sink_size>0，则每一次epoch下沉数据量为sink_size的数据集。默认值：-1。 .. py:method:: train_network :property: 获得该模型的训练网络。 **返回：** 预测网络实例。