昇思25天学习打卡营第四天|初学入门/初学教程/10-使用静态图加速

最新推荐文章于 2024-08-08 23:04:40 发布
最新推荐文章于 2024-08-08 23:04:40 发布
阅读量759 收藏 16
点赞数 27
文章标签： 学习 python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/guojun0718/article/details/140425149
版权

心得

本课程，讲述了使用静态图加速的这种高级技巧的好处及其使用的方法。使用静态图高级编程技巧可以有效地提高编译效率以及执行效率，并可以使程序运行的更加稳定。当然实际是否有很好的效果，还需要将来的课程实践中去体会。目前就是头脑里有一个基本概念。知道有这么一个优化的选项。

打卡截图；

使用静态图加速

背景介绍

AI编译框架分为两种运行模式，分别是动态图模式以及静态图模式。MindSpore默认情况下是以动态图模式运行，但也支持手工切换为静态图模式。两种运行模式的详细介绍如下：

动态图模式

动态图的特点是计算图的构建和计算同时发生（Define by run），其符合Python的解释执行方式，在计算图中定义一个Tensor时，其值就已经被计算且确定，因此在调试模型时较为方便，能够实时得到中间结果的值，但由于所有节点都需要被保存，导致难以对整个计算图进行优化。

在MindSpore中，动态图模式又被称为PyNative模式。由于动态图的解释执行特性，在脚本开发和网络流程调试过程中，推荐使用动态图模式进行调试。 如需要手动控制框架采用PyNative模式，可以通过以下代码进行网络构建：

[1]:

%%capture captured_output
# 实验环境已经预装了mindspore==2.2.14，如需更换mindspore版本，可更改下面mindspore的版本号
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14

[2]:

import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
ms.set_context(mode=ms.PYNATIVE_MODE)  # 使用set_context进行动态图模式的配置
​
class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.dense_relu_sequential = nn.SequentialCell(
            nn.Dense(28*28, 512),
            nn.ReLU(),
            nn.Dense(512, 512),
            nn.ReLU(),
            nn.Dense(512, 10)
        )
​
    def construct(self, x):
        x = self.flatten(x)
        logits = self.dense_relu_sequential(x)
        return logits
​
model = Network()
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
output = model(input)
print(output)
[[-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]
 [-0.00811011  0.15987587  0.2620123   0.06532933  0.09810102  0.1448662
   0.06367216 -0.1082783  -0.05877057  0.08763404]]

静态图模式

相较于动态图而言，静态图的特点是将计算图的构建和实际计算分开（Define and run）。有关静态图模式的运行原理，可以参考静态图语法支持。

在MindSpore中，静态图模式又被称为Graph模式，在Graph模式下，基于图优化、计算图整图下沉等技术，编译器可以针对图进行全局的优化，获得较好的性能，因此比较适合网络固定且需要高性能的场景。

如需要手动控制框架采用静态图模式，可以通过以下代码进行网络构建：

[3]:

import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
ms.set_context(mode=ms.GRAPH_MODE)  # 使用set_context进行运行静态图模式的配置
​
class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.dense_relu_sequential = nn.SequentialCell(
            nn.Dense(28*28, 512),
            nn.ReLU(),
            nn.Dense(512, 512),
            nn.ReLU(),
            nn.Dense(512, 10)
        )
​
    def construct(self, x):
        x = self.flatten(x)
        logits = self.dense_relu_sequential(x)
        return logits
​
model = Network()
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
output = model(input)
print(output)
[ERROR] CORE(2172,ffffa9734930,python):2024-07-14-14:41:02.083.790 [mindspore/core/utils/file_utils.cc:253] GetRealPath] Get realpath failed, path[/tmp/ipykernel_2172/4016835682.py]

[[ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]
 [ 0.09814478 -0.04893116  0.14850566 -0.12082472  0.01449197  0.01702559
  -0.13880742  0.17012078 -0.03684565 -0.07816261]]

静态图模式的使用场景

MindSpore编译器重点面向Tensor数据的计算以及其微分处理。因此使用MindSpore API以及基于Tensor对象的操作更适合使用静态图编译优化。其他操作虽然可以部分入图编译，但实际优化作用有限。另外，静态图模式先编译后执行的模式导致其存在编译耗时。因此，如果函数无需反复执行，那么使用静态图加速也可能没有价值。

有关使用静态图来进行网络编译的示例，请参考网络构建。

静态图模式开启方式

通常情况下，由于动态图的灵活性，我们会选择使用PyNative模式来进行自由的神经网络构建，以实现模型的创新和优化。但是当需要进行性能加速时，我们需要对神经网络部分或整体进行加速。MindSpore提供了两种切换为图模式的方式，分别是基于装饰器的开启方式以及基于全局context的开启方式。

基于装饰器的开启方式

MindSpore提供了jit装饰器，可以通过修饰Python函数或者Python类的成员函数使其被编译成计算图，通过图优化等技术提高运行速度。此时我们可以简单的对想要进行性能优化的模块进行图编译加速，而模型其他部分，仍旧使用解释执行方式，不丢失动态图的灵活性。无论全局context是设置成静态图模式还是动态图模式，被jit修饰的部分始终会以静态图模式进行运行。

在需要对Tensor的某些运算进行编译加速时，可以在其定义的函数上使用jit修饰器，在调用该函数时，该模块自动被编译为静态图。需要注意的是，jit装饰器只能用来修饰函数，无法对类进行修饰。jit的使用示例如下：

[4]:

 

import numpy as np
 

import mindspore as ms
 

from mindspore import nn, Tensor
 

​
 

class Network(nn.Cell):
 

    def __init__(self):
 

        super().__init__()
 

        self.flatten = nn.Flatten()
 

        self.dense_relu_sequential = nn.SequentialCell(
 

            nn.Dense(28*28, 512),
 

            nn.ReLU(),
 

            nn.Dense(512, 512),
 

            nn.ReLU(),
 

            nn.Dense(512, 10)
 

        )
 

​
 

    def construct(self, x):
 

        x = self.flatten(x)
 

        logits = self.dense_relu_sequential(x)
 

        return logits
 

​
 

input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
 

​
 

@ms.jit  # 使用ms.jit装饰器，使被装饰的函数以静态图模式运行
 

def run(x):
 

    model = Network()
 

    return model(x)
 

​
 

output = run(input)
 

print(output)
 

[[ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]
 [ 0.08865208  0.00029834  0.10078245  0.08796116 -0.10756826 -0.00097168
  -0.20773146 -0.0500758   0.1373357   0.05541402]]

 

[ERROR] CORE(2172,ffffa9734930,python):2024-07-14-14:41:23.024.422 [mindspore/core/utils/file_utils.cc:253] GetRealPath] Get realpath failed, path[/tmp/ipykernel_2172/4227391393.py]

 

除使用修饰器外，也可使用函数变换方式调用jit方法，示例如下：
 

[5]:
 

 

 

import numpy as np
 

import mindspore as ms
 

from mindspore import nn, Tensor
 

​
 

class Network(nn.Cell):
 

    def __init__(self):
 

        super().__init__()
 

        self.flatten = nn.Flatten()
 

        self.dense_relu_sequential = nn.SequentialCell(
 

            nn.Dense(28*28, 512),
 

            nn.ReLU(),
 

            nn.Dense(512, 512),
 

            nn.ReLU(),
 

            nn.Dense(512, 10)
 

        )
 

​
 

    def construct(self, x):
 

        x = self.flatten(x)
 

        logits = self.dense_relu_sequential(x)
 

        return logits
 

​
 

input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
 

​
 

def run(x):
 

    model = Network()
 

    return model(x)
 

​
 

run_with_jit = ms.jit(run)  # 通过调用jit将函数转换为以静态图方式执行
 

output = run(input)
 

print(output)
 

[[ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]
 [ 0.05947255 -0.00597872 -0.04577087  0.0868237   0.10475684 -0.08337088
   0.18083248  0.04452055 -0.02432532  0.06350204]]

 

[ERROR] CORE(2172,ffffa9734930,python):2024-07-14-14:41:23.393.000 [mindspore/core/utils/file_utils.cc:253] GetRealPath] Get realpath failed, path[/tmp/ipykernel_2172/3365896085.py]

 

当我们需要对神经网络的某部分进行加速时，可以直接在construct方法上使用jit修饰器，在调用实例化对象时，该模块自动被编译为静态图。示例如下：
 

[6]:
 

 

 

import numpy as np
 

import mindspore as ms
 

from mindspore import nn, Tensor
 

​
 

class Network(nn.Cell):
 

    def __init__(self):
 

        super().__init__()
 

        self.flatten = nn.Flatten()
 

        self.dense_relu_sequential = nn.SequentialCell(
 

            nn.Dense(28*28, 512),
 

            nn.ReLU(),
 

            nn.Dense(512, 512),
 

            nn.ReLU(),
 

            nn.Dense(512, 10)
 

        )
 

​
 

    @ms.jit  # 使用ms.jit装饰器，使被装饰的函数以静态图模式运行
 

    def construct(self, x):
 

        x = self.flatten(x)
 

        logits = self.dense_relu_sequential(x)
 

        return logits
 

​
 

input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
 

model = Network()
 

output = model(input)
 

print(output)
 

[[-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]
 [-1.30204856e-01  5.91173768e-03  1.04503669e-01 -7.16054142e-02
  -4.59905714e-05  2.10415870e-02 -8.84020403e-02  1.56900808e-01
  -1.00288436e-01 -8.98179412e-02]]

 

[ERROR] CORE(2172,ffffa9734930,python):2024-07-14-14:41:23.771.260 [mindspore/core/utils/file_utils.cc:253] GetRealPath] Get realpath failed, path[/tmp/ipykernel_2172/2029473088.py]

 

基于context的开启方式
 

context模式是一种全局的设置模式。代码示例如下：
 

[7]:
 

 

import numpy as np
 

import mindspore as ms
 

from mindspore import nn, Tensor
 

ms.set_context(mode=ms.GRAPH_MODE)  # 使用set_context进行运行静态图模式的配置
 

​
 

class Network(nn.Cell):
 

    def __init__(self):
 

        super().__init__()
 

        self.flatten = nn.Flatten()
 

        self.dense_relu_sequential = nn.SequentialCell(
 

            nn.Dense(28*28, 512),
 

            nn.ReLU(),
 

            nn.Dense(512, 512),
 

            nn.ReLU(),
 

            nn.Dense(512, 10)
 

        )
 

​
 

    def construct(self, x):
 

        x = self.flatten(x)
 

        logits = self.dense_relu_sequential(x)
 

        return logits
 

​
 

model = Network()
 

input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
 

output = model(input)
 

print(output)
 

[[-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]
 [-0.13375047 -0.07846902 -0.08079751 -0.07430333  0.08891288 -0.01976799
   0.08481503 -0.01389463 -0.0025824  -0.09483818]]

 

[ERROR] CORE(2172,ffffa9734930,python):2024-07-14-14:41:24.134.568 [mindspore/core/utils/file_utils.cc:253] GetRealPath] Get realpath failed, path[/tmp/ipykernel_2172/4016835682.py]

 

静态图的语法约束
 

在Graph模式下，Python代码并不是由Python解释器去执行，而是将代码编译成静态计算图，然后执行静态计算图。因此，编译器无法支持全量的Python语法。MindSpore的静态图编译器维护了Python常用语法子集，以支持神经网络的构建及训练。详情可参考静态图语法支持。
 

JitConfig配置选项
 

在图模式下，可以通过使用JitConfig配置选项来一定程度的自定义编译流程，目前JitConfig支持的配置参数如下：
 

  • jit_level: 用于控制优化等级。
  • exec_mode: 用于控制模型执行方式。
  • jit_syntax_level: 设置静态图语法支持级别，详细介绍请见静态图语法支持。
 

静态图高级编程技巧
 

使用静态图高级编程技巧可以有效地提高编译效率以及执行效率，并可以使程序运行的更加稳定。详情可参考静态图高级编程技巧。
 

[8]:
 

 

 

import time
 

​
 

print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),'guojun0718')
 

​
 

2024-07-14 15:03:16 guojun0718

                

        

        

    




    

      

        

            

              
                
                  guojun0718
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                    27
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    16
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      










                



	

		

			

				
					
《昇思25天学习打卡营第1天 - 快速入门 mindspore》

				
			

			

				

					06-27
				

			

		

		

			
				
昇思25天学习打卡营 - 02 快速入门

			
		

	



                

              
                



	

		

			

				
					
昇思25天学习打卡营第5天-网络与模型相关要素探讨

				
			

			

				

					07-01
				

			

		

		

			
				
从 MindSpore 模块中单独导入“nn”（一般代表神经网络相关的类和函数）以及“ops”（通常指操作符相关的功能），如此一来，在后续的代码中就能够直接使用“nn”和“ops”，而无需添加“mindspore.”这个前缀，让...

			
		

	



                


  
              

                


	

		

			

				
					
昇思25天学习打卡营第一天|初学入门/初学教程/01-基本介绍

				
			

			

				

					guojun0718的博客
				

				

					07-11
					
					1035
					
				

			

		

		

			
				
昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。ModelZoo（模型库）：ModelZoo提供可用的深度学习算法网络，也欢迎更多开发者贡献新的网络(ModelZoo地址MindSpore Extend（扩展库）

			
		

	





	

		

			

				
					
昇思25天学习打卡营第二天|初学入门/初学教程/06-网络构建

				
			

			

				

					guojun0718的博客
				

				

					07-12
					
					793
					
				

			

		

		

			
				
当我们定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。[3]:nn.ReLU(),nn.ReLU(),​构建完成后，实例化Network对象，并查看其结构。[4]:Network<我们构造一个输入数据，直接调用模型，可以获得一个十维的Tensor输出，其包含每个类别的原始预测值。

			
		

	



		

			
		



	

		

			

				
					
《昇思25天学习打卡营第10天|初学教程/使用静态图加速》

				
			

			

				

					奇树谦的博客
				

				

					08-01
					
					950
					
				

			

		

		

			
				
AI编译框架分为两种运行模式，分别是动态图模式以及静态图模式。MindSpore默认情况下是以动态图模式运行，但也支持手工切换为静态图模式。

			
		

	





	

		

			

				
					
昇思25天学习打卡营第12天|初学入门-静态图加速

				
			

			

				

					Kirito_UGO的博客
				

				

					06-30
					
					207
					
				

			

		

		

			
				
之前学tf和pytorch时没听过23333计算图样子：!

			
		

	





	

		

			

				
					
《昇思25天学习打卡营第2天|初学教程/快速入门》

				
			

			

				

					奇树谦的博客
				

				

					07-14
					
					723
					
				

			

		

		

			
				
MindSpore 的设计理念源于全产业的最佳实践，向数据科学家和算法工程师提供了统一的模型训练、推理和导出等接口，支持端、边、云等不同场景下的灵活部署，推动深度学习和科学计算等领域的繁荣发展。MindSpore 还提供了动态图和静态图统一的编码方式，这大大增加了静态图和动态图的可兼容性，用户无需开发多套代码，通过简单的模式切换就能在动态图和静态图模式之间转换，从而提供了更轻松的开发调试及性能体验。（内核（Kernel）是计算机操作系统的核心组件，负责管理系统资源，如CPU时间、内存和输入/输出设备等。

			
		

	





	

		

			

				
					
《昇思25天学习打卡营第6天|初学教程/网络构建》

				
			

			

				

					奇树谦的博客
				

				

					07-21
					
					712
					
				

			

		

		

			
				
当我们定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。nn.ReLU(),nn.ReLU(),构建完成后，实例化Network对象，并查看其结构。Network

			
		

	





	

		

			

				
					
《昇思25天学习打卡营第1天|初学教程/基本介绍》

				
			

			

				

					奇树谦的博客
				

				

					07-05
					
					333
					
				

			

		

		

			
				
整体介绍昇思MindSpore和华为昇腾AI全栈，并介绍昇思MindSpore在华为昇腾AI全栈中的位置。

			
		

	





	

		

			

				
					
昇思25天学习打卡营第6天|初学教程之模型保存与加载以及静态图加速

				
			

			

				

					m0_52501541的博客
				

				

					06-29
					
					969
					
				

			

		

		

			
				
模型保存与加载是一件很容易的事情，只要明白模型保存的是什么数据，类型是什么，用什么API保存即可，加载也是同样的原理。实际上，一个模型最重要的就是模型结构和模型参数，模型结构就是计算规则，前几天搭建的网络代码就是模型结构，模型参数即昨天所提到的诸如w，b的数据，用于与输入数据进行计算。而我们需要保存的其实就是模型参数，因为模型结构就是代码，我们已经保存了。所有现代AI框架基本支持静态图和动态图两种模式，两种模式在深度学习过程中有着各自的优缺点。

			
		

	





	

		

			

				
					
昇思25天学习打卡营第2天|初学入门

				
			

			

				

					u013563715的博客
				

				

					07-03
					
					886
					
				

			

		

		

			
				
当我们定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。nn.ReLU(),nn.ReLU(),构建完成后，实例化Network对象，并查看其结构。结果输出：Network

			
		

	





	

		

			

				
					
《昇思25天学习打卡营第6天 - mindspore 函数式自动微分常见用法》

				
			

			

				

					07-05
				

			

		

		

			
				
《昇思25天学习打卡营第6天 - mindspore 函数式自动微分常见用法》

			
		

	





	

		

			

				
					
《昇思25天学习打卡营第2天 - mindspore Tensor 的常见用法》

				
			

			

				

					06-28
				

			

		

		

			
				
《昇思25天学习打卡营第2天 | mindspore Tensor 的常见用法》

			
		

	





	

		

			

				
					
《昇思25天学习打卡营第4天 - mindspore Transforms 数据变换常见用法》

				
			

			

				

					06-30
				

			

		

		

			
				
使用 mindspore 的常见的数据变换 Transforms 的使用方法

			
		

	





	

		

			

				
					
Element学习（布局组件、案例操作）（4）

					
最新发布

				
			

			

				

					m0_74363339的博客
				

				

					08-08
					
					347
					
				

			

		

		

			
				
value：表示输入的值，提交表单后传给服务器的值——>"男"表示1，"女"表示2。定义数据模型时，对象要使用大括号。像这里searchForm: {....}3、这一步之后的效果展示（只是空有一个布局——>目前还没有任何的内容）2、找到这种布局对应的代码（复制——>粘贴到标签<div>中）5、 在主展示区域的上方添加"员工查询"的（且独占一行）表单。还有一个当点击"查询"按钮时，会触发一个方法，也要去声明。7、给表格增加一个边框——>加入border属性即可。6、日期选择器——>(官网中组件中找)

			
		

	





	

		

			

				
					
自习 leetcode+react官方文档学习

				
			

			

				

					weixin_63681863的博客
				

				

					08-08
					
					487
					
				

			

		

		

			
				
哈希完结+ 字符串第一题。

			
		

	





	

		

			

				
					
日常学习--20240806

				
			

			

				

					xxm13679073037的博客
				

				

					08-07
					
					806
					
				

			

		

		

			
				
调优

			
		

	





	

		

			

				
					
【OpenCV C++20 学习笔记】仿射变换-warpAffine, getRotationMatrix2D

				
			

			

				

					TeamLee的博客
				

				

					08-08
					
					716
					
				

			

		

		

			
				
本文简要介绍了OpenCV中仿射变换的原理和算法，并详细展示了在OpenCV中如何使用getAffineTransform, getRotationMatrix2D和warpAffine方法对图片进行仿射变换和旋转。

			
		

	





	

		

			

				
					
Auto.js 自动打卡脚本编写教程：从入门到精通

				
			

			

				

					
				

			

		

		

			
				
"基于auto.js的自动打卡脚本编写教程"  本教程主要讲解如何使用auto.js编写自动打卡脚本，适用于Android设备。auto.js是一款强大的自动化工具，它允许用户通过JavaScript语言来编写脚本，实现对手机的自动操作，如...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值