mindspore

数据表达

张量

mindspore.Tensor	张量，即存储多维数组（n-dimensional array）的数据结构。
mindspore.tensor	此接口用于在Cell.construct()或者@jit装饰的函数内，创建一个新的Tensor对象。
mindspore.COOTensor	用来表示某一Tensor在给定索引上非零元素的集合，其中索引(indices)指示了每一个非零元素的位置。
mindspore.CSRTensor	用来表示某一Tensor在给定索引上非零元素的集合，其中行索引由 indptr 表示，列索引由 indices 表示，非零值由 values 表示。
mindspore.RowTensor	用来表示一组指定索引的Tensor切片的稀疏表示。
mindspore.SparseTensor	用来表示某一张量在给定索引上非零元素的集合。
mindspore.is_tensor	判断输入对象是否为 mindspore.Tensor。
mindspore.from_numpy	将Numpy数组转换为张量。

参数

mindspore.Parameter	Parameter 是 Tensor 的子类，当它们被绑定为Cell的属性时，会自动添加到其参数列表中，并且可以通过Cell的某些方法获取，例如 cell.get_parameters() 。
mindspore.ParameterTuple	继承于tuple，用于管理多个Parameter。

数据类型

mindspore.dtype	MindSpore的数据类型。
mindspore.dtype_to_nptype	将MindSpore数据类型转换成NumPy数据类型。
mindspore.dtype_to_pytype	将MindSpore数据类型转换为Python数据类型。
mindspore.pytype_to_dtype	将Python数据类型转换为MindSpore数据类型。
mindspore.get_py_obj_dtype	获取与Python数据类型对应的MindSpore数据类型。
mindspore.QuantDtype	MindSpore量化数据类型枚举类，包含 INT1 ~ INT16，UINT1 ~ UINT16 。
mindspore.common.np_dtype	MindSpore的Numpy数据类型。

运行环境

mindspore.set_device	设置运行环境的设备目标和设备ID。
mindspore.set_deterministic	是否开启确定性计算。
mindspore.set_context	设置运行环境的context。
mindspore.get_context	根据输入key获取context中的属性值。
mindspore.set_auto_parallel_context	配置自动并行，当前CPU仅支持数据并行。
mindspore.get_auto_parallel_context	根据key获取自动并行的配置。
mindspore.reset_auto_parallel_context	重置自动并行的配置为默认值。
mindspore.ParallelMode	并行模式。
mindspore.set_ps_context	设置参数服务器训练模式的上下文。
mindspore.get_ps_context	根据key获取参数服务器训练模式上下文中的属性值。
mindspore.reset_ps_context	将参数服务器训练模式上下文中的属性重置为默认值。
mindspore.set_algo_parameters	设置并行策略搜索算法中的参数。
mindspore.get_algo_parameters	获取算法参数配置属性。
mindspore.reset_algo_parameters	重置算法参数属性。
mindspore.set_offload_context	配置异构训练详细参数，来调整offload策略。
mindspore.get_offload_context	获取offload配置参数。

随机种子

mindspore.set_seed	设置全局种子。
mindspore.get_seed	获取随机种子。

随机状态管理

mindspore.get_rng_state	获取默认生成器状态。
mindspore.Generator	管理随机数状态的生成器，为随机函数提供seed和offset。
mindspore.initial_seed	返回默认生成器的初始种子。
mindspore.manual_seed	设置默认生成器种子。
mindspore.seed	生成可作为默认生成器种子的随机种子。
mindspore.set_rng_state	设置默认生成器状态。

序列化

mindspore.async_ckpt_thread_status	获取异步保存checkpoint文件线程的状态。
mindspore.build_searched_strategy	构建网络中每个参数的策略，用于分布式推理。
mindspore.check_checkpoint	检查checkpoint文件是否合法。
mindspore.ckpt_to_safetensors	将 MindSpore 的 checkpoint 文件转换为 safetensors 格式并保存到 save_path。
mindspore.convert_model	将MindIR模型转化为其他格式的模型文件。
mindspore.export	将MindSpore网络模型导出为指定格式的文件。
mindspore.get_ckpt_path_with_strategy	从当前卡的所有存在备份关系的checkpoint文件中找到可用的checkpoint文件。
mindspore.load	加载MindIR文件。
mindspore.load_checkpoint	加载checkpoint文件。
mindspore.load_checkpoint_async	异步加载checkpoint文件。
mindspore.load_distributed_checkpoint	给分布式预测加载checkpoint文件到网络。
mindspore.load_mindir	加载MindIR文件。
mindspore.load_param_into_net	将参数加载到网络中，返回网络中没有被加载的参数列表。
mindspore.load_segmented_checkpoints	加载指定路径下所有checkpoint文件。
mindspore.merge_pipeline_strategys	流水线并行模式下，汇聚所有流水线并行子图的切分策略文件。
mindspore.merge_sliced_parameter	将参数切片合并为一个完整的参数，用于分布式推理。
mindspore.obfuscate_model	对MindIR格式的模型进行混淆，混淆主要是修改模型的网络结构但不影响它的推理精度，混淆后的模型可以防止被盗用。
mindspore.parse_print	解析由 mindspore.ops.Print 生成的数据文件。
mindspore.rank_list_for_transform	在对分布式Checkpoint转换的过程中，获取为了得到目标rank的Checkpoint文件所需的源Checkpoint文件rank列表。
mindspore.restore_group_info_list	从 group_info_file_name 指向的文件中提取得到通信域的信息，在该通信域内的所有设备的checkpoint文件均与存储 group_info_file_name 的设备相同，可以直接进行替换。
mindspore.safetensors_to_ckpt	将 safetensors 文件转换为 MindSpore 的 checkpoint 格式并保存到 save_path。
mindspore.save_checkpoint	将网络权重保存到checkpoint文件中。
mindspore.save_mindir	保存MindIR文件。
mindspore.transform_checkpoint_by_rank	将一个分布式网络的Checkpoint由源切分策略转换到目标切分策略，对特定一个rank进行转换。
mindspore.transform_checkpoints	将一个分布式网络的Checkpoint由源切分策略转换到目标切分策略。
mindspore.unified_safetensors	将多个safetensors文件合并为一系列统一的safetensors文件。

自动微分

mindspore.grad	生成求导函数，用于计算给定函数的梯度。
mindspore.value_and_grad	生成求导函数，用于计算给定函数的正向计算结果和梯度。
mindspore.get_grad	当 mindspore.grad() 或 mindspore.value_and_grad() 的 return_ids 参数设置为 True 时，将 mindspore.grad 的返回值，或 mindspore.value_and_grad 的第二个返回值作为 gradients 。
mindspore.jacfwd	通过前向模式计算给定网络的Jacobian矩阵，对应 前向模式自动微分。
mindspore.jacrev	通过反向模式计算给定网络的Jacobian矩阵，对应 反向模式自动微分。
mindspore.jvp	计算给定网络的雅可比向量积(Jacobian-vector product, JVP)。
mindspore.vjp	计算给定网络的向量雅可比积(vector-jacobian-product, VJP)。

并行优化

自动向量化

mindspore.vmap	自动向量化（Vectorizing Map，vmap），是一种用于沿参数轴映射函数 fn 的高阶函数。

并行

mindspore.Layout	Layout描述了详细的切分信息。
mindspore.parameter_broadcast	在数据并行维度将参数广播给另外的卡。
mindspore.recompute	该函数用于减少显存的使用，当运行选定的模块时，不再保存其中的前向计算的产生的激活值，我们将在反向传播时，重新计算前向的激活值。
mindspore.reshard	指定输入张量的精准排布。
mindspore.shard	指定输入/输出Tensor的分布策略，其余算子的策略推导得到。
mindspore.sync_pipeline_shared_parameters	在流水线并行场景下，部分参数可能会被不同的stage之间共享。
mindspore.set_op_strategy_config	自动并行策略传播模式下，通过此接口设置保存或加载算子级策略。

即时编译

mindspore.JitConfig	编译时所使用的JitConfig配置项。
mindspore.jit	将Python函数编译为一张可调用的MindSpore图。
mindspore.jit_class	用户自定义类的类装饰器。
mindspore.ms_class	用户自定义类的类装饰器。
mindspore.ms_function	将Python函数编译为一张可调用的MindSpore图。
mindspore.ms_memory_recycle	回收MindSpore使用的内存。
mindspore.mutable	设置一个常量值为可变的。
mindspore.constexpr	在图模式下，用来计算图编译过程中的常量值，以提升编译性能。
mindspore.lazy_inline	指定一个cell是可复用的。
mindspore.no_inline	指定python 函数是可复用的。
mindspore.set_recursion_limit	在图编译前指定函数调用的递归深度限制。

工具

数据处理工具

mindspore.DatasetHelper	DatasetHelper是一个处理MindData数据集的类，提供数据集信息。
mindspore.Symbol	符号，用来传递张量形状的符号信息（symbolic shape）的数据结构。
mindspore.connect_network_with_dataset	将 network 与 dataset_helper 中的数据集连接，只支持 下沉模式，(dataset_sink_mode=True)。
mindspore.data_sink	对输入的函数封装生成一个新的函数。

调试调优

mindspore.Profiler	MindSpore用户能够通过该类对神经网络的性能进行采集。
mindspore.profiler.DynamicProfilerMonitor	该类用于动态采集MindSpore神经网络性能数据。
mindspore.SummaryCollector	SummaryCollector可以帮助收集收集一些常用信息，比如loss、学习率、计算图等。
mindspore.SummaryLandscape	SummaryLandscape可以帮助您收集loss地形图的信息。
mindspore.SummaryRecord	SummaryRecord用于记录summary数据和lineage数据。
mindspore.set_dump	启用或者禁用 target 及其子节点的Dump数据功能。

日志

mindspore.get_level	获取日志记录器的级别。
mindspore.get_log_config	获取日志配置。

安装验证

mindspore.run_check	提供了便捷的API用以查询MindSpore的安装是否成功。

安全

mindspore.obfuscate_ckpt	根据用户配置的混淆策略，对模型的Checkpoint进行混淆保护，防止攻击者窃取模型资产。
mindspore.load_obf_params_into_net	根据用户配置的混淆策略，对模型结构进行修改，并将混淆态Checkpoint加载到模型中。