环境变量
Linux Ascend GPU CPU 初级 中级 高级
本文介绍MindSpore的环境变量。
环境变量 |
所属模块 |
功能 |
类型 |
取值范围 |
配置关系 |
是否必选 |
默认值 |
|---|---|---|---|---|---|---|---|
MS_BUILD_PROCESS_NUM |
MindSpore |
Ascend后端编译时，指定并行编译进程数 |
Integer |
1~24：允许设置并行进程数取值范围 |
无 |
可选（仅Ascend AI处理器环境使用） |
无 |
MS_GRAPH_KERNEL_FLAGS |
MindSpore |
图算融合功能的控制选项，可用来开启或关闭图算融合功能、支持对图算融合功能中若干优化的精细控制、支持dump图算融合时的过程数据，用于问题定位和性能调优 |
String |
格式和功能同mindspore/context.py中graph_kernel_flags。 |
无 |
可选 |
无 |
RANK_TABLE_FILE |
MindSpore |
路径指向文件，包含指定多Ascend AI处理器环境中Ascend AI处理器的”device_id”对应的”device_ip”。 |
String |
文件路径，支持相对路径与绝对路径 |
与RANK_SIZE配合使用 |
可选（Ascend AI处理器，使用多卡执行分布式用例时，由用户指定） |
无 |
RANK_SIZE |
MindSpore |
指定深度学习时调用Ascend AI处理器的数量 |
Integer |
1~8，调用Ascend AI处理器的数量 |
与RANK_TABLE_FILE配合使用 |
可选（Ascend AI处理器，使用多卡执行分布式用例时，由用户指定） |
无 |
RANK_ID |
MindSpore |
指定深度学习时调用Ascend AI处理器的逻辑ID |
Integer |
0~7，多机并行时不同server中DEVICE_ID会有重复，使用RANK_ID可以避免这个问题（多机并行时 RANK_ID = SERVER_ID * DEVICE_NUM + DEVICE_ID |
无 |
可选 |
无 |
MS_RDR_ENABLE |
MindSpore |
是否开启程序运行数据记录器（RDR），如果MindSpore出现了运行异常，会自动导出MindSpore中预先记录的数据以辅助定位运行异常的原因 |
Integer |
1：开启RDR功能 |
与MS_RDR_PATH一起使用 |
可选 |
无 |
MS_RDR_PATH |
MindSpore |
配置程序运行数据记录器（RDR）的文件导出路径 |
String |
文件路径，仅支持绝对路径 |
与MS_RDR_ENABLE=1一起使用 |
可选 |
无 |
MS_SUBMODULE_LOG_v |
MindSpore |
Dict{String:Integer…} |
LogLevel: 0-DEBUG, 1-INFO, 2-WARNING, 3-ERROR |
无 |
可选 |
无 |
|
OPTION_PROTO_LIB_PATH |
MindSpore |
RPOTO依赖库库路径 |
String |
目录路径，支持相对路径与绝对路径 |
无 |
可选 |
无 |
MS_OM_PATH |
MindSpore |
配置图编译出错时dump的analyze_fail.dat文件的保存目录 |
String |
文件路径，支持相对路径与绝对路径 |
无 |
可选 |
无 |
MS_ENABLE_CACHE |
MindData |
是否开启dataset数据处理cache功能，可以实现数据处理过程中数据的cache能力，加速数据集读取及增强处理 |
String |
TRUE：开启数据处理cache功能 |
与MS_CACHE_HOST、MS_CACHE_PORT一起使用 |
可选 |
无 |
MS_CACHE_HOST |
MindData |
开启cache时，cache服务所在的IP |
String |
Cache Server所在机器的IP |
与MS_ENABLE_CACHE=TRUE、MS_CACHE_PORT一起使用 |
可选 |
无 |
MS_CACHE_PORT |
MindData |
开启cache时，cache服务所在的端口 |
String |
Cache Server所在机器的端口 |
与MS_ENABLE_CACHE=TRUE、MS_CACHE_HOST一起使用 |
可选 |
无 |
DATASET_ENABLE_NUMA |
MindData |
是否开启numa绑核功能，在大多数分布式场景下numa绑核都能提升数据处理效率和端到端性能 |
String |
True: 开启numa绑核功能 |
与libnuma.so配合使用 |
可选 |
无 |
OPTIMIZE |
MindData |
是否执行dataset数据处理 pipeline 树优化，在适合数据处理算子融合的场景下，可以提升数据处理效率 |
String |
true: 开启pipeline树优化 |
无 |
可选 |
无 |
ENABLE_MS_DEBUGGER |
Debugger |
是否在训练中启动Debugger |
Boolean |
1：开启Debugger |
与MS_DEBUGGER_HOST、MS_DEBUGGER_PORT一起使用 |
可选 |
无 |
MS_DEBUGGER_HOST |
Debugger |
MindInsight Debugger服务的IP |
String |
启动MindInsight调试器的机器的IP |
与ENABLE_MS_DEBUGGER=1、MS_DEBUGGER_PORT一起使用 |
可选 |
无 |
MS_DEBUGGER_PORT |
Debugger |
连接MindInsight Debugger Server的端口 |
Integer |
1~65536，连接MindInsight Debugger Server的端口 |
与ENABLE_MS_DEBUGGER=1、MS_DEBUGGER_HOST一起使用 |
可选 |
无 |
MS_DEBUGGER_PARTIAL_MEM |
Debugger |
是否开启部分内存复用（只有在Debugger选中的节点才会关闭这些节点的内存复用） |
Boolean |
1：开启Debugger选中节点的内存复用 |
无 |
可选 |
无 |
GE_USE_STATIC_MEMORY |
GraphEngine |
当网络模型层数过大时，特征图中间计算数据可能超过25G，例如BERT24网络。多卡场景下为保证通信内存高效协同，需要配置为1，表示使用内存静态分配方式，其他网络暂时无需配置，默认使用内存动态分配方式。 |
Integer |
1：使用内存静态分配方式 |
无 |
可选 |
无 |
DUMP_GE_GRAPH |
GraphEngine |
把整个流程中各个阶段的图描述信息打印到文件中，此环境变量控制dump图的内容多少 |
Integer |
1：全量dump |
无 |
可选 |
无 |
DUMP_GRAPH_LEVEL |
GraphEngine |
把整个流程中各个阶段的图描述信息打印到文件中，此环境变量可以控制dump图的个数 |
Integer |
1：dump所有图 |
无 |
可选 |
无 |