特性分析helps u further~|昇思MindSpore特性FAQ

Q1: 导出MindIR格式的时候，input=np.random.uniform(...)是不是固定格式？

A1: 不是固定格式的，这一步操作是为了创建一个输入，以便于构建网络结构。export里只要传入正确的shape即可，使用np.ones和np.zeros创建都是可以的。

Q2: MindSpore现支持直接读取哪些其他框架的模型和哪些格式呢？比如PyTorch下训练得到的pth模型可以加载到MindSpore框架下使用吗？

A2: MindSpore采用Protobuf存储训练参数，无法直接读取其他框架的模型。对于模型文件本质保存的就是参数和对应的值，可以用其他框架的API将参数读取出来之后，拿到参数的键值对，然后再加载到MindSpore中使用。比如想用其他框架训练好的ckpt文件，可以先把参数读取出来，再调用MindSpore的save_checkpoint接口，就可以保存成MindSpore可以读取的ckpt文件格式了。

Q3: PyNative模式和Graph模式的区别？

A3: 通过下面四个方面进行对比：

1.网络执行：两个模式使用的算子是一致的，因此相同的网络和算子，分别在两个模式下执行时，精度效果是一致的。由于Graph模式运用了图优化、计算图整图下沉等技术，Graph模式执行网络的性能和效率更高；

2.场景使用：Graph模式需要一开始就构建好网络结构，然后框架做整图优化和执行，比较适合网络固定没有变化，且需要高性能的场景；

3.不同硬件（Ascend、GPU和CPU）资源：都支持这两种模式；

4.代码调试：由于PyNative模式是逐行执行算子，用户可以直接调试Python代码，在代码中任意位置打断点查看对应算子的输出或执行结果。而Graph模式由于在构造函数里只是完成网络构造，实际没有执行，因此在construct函数里打断点无法获取对应算子的输出，只能先指定算子进行打印，然后在网络执行完成后查看输出结果。

Q4: 使用MindSpore在GPU上训练的网络脚本可以不做修改直接在Ascend上进行训练