mindspore.Parameter

class mindspore.Parameter(default_input, name=None, requires_grad=True, layerwise_parallel=False, parallel_optimizer=True)

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() 。

说明

• 在 SEMI_AUTO_PARALLEL 和 AUTO_PARALLEL 的自动并行模式下，如果使用 Initializer 模块初始化参数，参数的类型将为 Tensor 。Tensor 仅保存张量的形状和类型信息，而不占用内存来保存实际数据。

• 并行场景下存在参数的形状发生变化的情况，用户可以调用 Parameter 的 init_data 方法得到原始数据。

• 如果网络中存在需要部分输入为 Parameter 的算子，则不允许这部分输入的 Parameter 进行数据类型转换。

• 每一个 Parameter 使用唯一的名字可以帮助后续的操作和更新。如果有两个或多个 Parameter 在同一个网络中使用了相同的名字，将会提示在定义时使用唯一的名字。

• Parameter 直接打印时无法查看到里面实际包含的值，需要使用 Parameter.asnumpy() 方法来查看实际的值。

参数：

• default_input (Union[Tensor, int, float, numpy.ndarray, list]) - 初始化参数的输入值。

• name (str) - 参数的名称。默认值： None 。如果一个网络中存在两个及以上相同名称的 Parameter 对象，在定义时将提示设置一个特有的名称。

  1. 如果一个 Parameter 未命名，默认的名字就是变量名。例如，param_a 的名字是 name_a，param_b 的名字是 param_b 。

  self.param_a = Parameter(Tensor([1], ms.float32), name="name_a")
  self.param_b = Parameter(Tensor([2], ms.float32))
  

  2. 如果在list或tuple中的 Parameter 未命名，将会提供一个唯一值。例如，以下 Parameter 的名字是 Parameter$1 and Parameter$2。

  self.param_list = [Parameter(Tensor([3], ms.float32)),
                     Parameter(Tensor([4], ms.float32))]
  

  3. 如果 Parameter 已命名， 并且不同 Parameter 间有重复名称，将会抛出异常。例如，”its name ‘name_a’ already exists.”将会抛出。

  self.param_a = Parameter(Tensor([1], ms.float32), name="name_a")
  self.param_tuple = (Parameter(Tensor([5], ms.float32), name="name_a"),
                      Parameter(Tensor([6], ms.float32)))
  

  4. 如果一个 Parameter 多次出现在list或tuple中，只检查一次他的名字。例如，以下代码将不会抛出异常。

  self.param_a = Parameter(Tensor([1], ms.float32), name="name_a")
  self.param_tuple = (self.param_a, self.param_a)
  

• requires_grad (bool) - 是否需要微分求梯度。默认值： True 。

• layerwise_parallel (bool) - 在数据/混合并行模式下， layerwise_parallel 配置为 True 时，参数广播和梯度聚合时会过滤掉该 Parameter 。默认值： False 。

• parallel_optimizer (bool) - 用于在 SEMI_AUTO_PARALLEL 或 AUTO_PARALLEL 并行模式下区分该参数是否进行优化器切分。仅在 mindspore.set_auto_parallel_context() 并行配置模块中设置 enable_parallel_optimizer 启用优化器并行时有效。默认值： True 。

样例：

>>> import numpy as np
>>> import mindspore
>>> from mindspore import Parameter, Tensor, ops, nn
>>>
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.matmul = ops.MatMul()
...         self.weight = Parameter(Tensor(np.ones((1, 2)), mindspore.float32), name="w", requires_grad=True)
...
...     def construct(self, x):
...         out = self.matmul(self.weight, x)
...         return out
>>> net = Net()
>>> x = Tensor(np.ones((2, 1)), mindspore.float32)
>>> print(net(x))
[[2.]]
>>> net.weight.set_data(Tensor(np.zeros((1, 2)), mindspore.float32))
>>> print(net(x))
[[0.]]

add_pipeline_stage(stage)

为参数添加pipeline_stage。

说明

这个接口在2.3版本废弃，并且会在未来版本移除。

参数：

• stage (int) - 参数的pipeline_stage。

异常：

• TypeError - 如果 stage 不是正整数。

property cache_enable

表示该参数是否开启缓存功能。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.cache_enable=True
>>> x.cache_enable
True

property cache_shape

如果使用缓存，则返回对应参数的缓存shape。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.cache_enable=True
>>> x.cache_shape=[1, 2]
>>> x.cache_shape
[1, 2]

clone(init='same')

克隆参数。

参数：

• init (Union[Tensor, str, numbers.Number]) - 初始化参数的形状和数据类型。如果 init 是 Tensor 或 numbers.Number ，则克隆一个具有相同数值、形状和数据类型的新参数。如果 init 是 str ，则 init 将继承 Initializer 模块中对应的同名的类。例如，如果 init 是 'same' ，则克隆一个具有相同数据、形状和数据类型的新参数。默认值： 'same' 。

返回：

Parameter，返回克隆的新参数。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> y = x.clone()

property comm_fusion

获取此参数的通信算子的融合类型（int）。

在 AUTO_PARALLEL 和 SEMI_AUTO_PARALLEL 模式下，一些用于参数或梯度聚合的通信算子将自动插入。 comm_fusion 的值必须大于等于0。当 comm_fusion 为 0 时，算子不会融合在一起。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.comm_fusion = 3
>>> x.comm_fusion
3

copy()

拷贝参数。

返回：

Parameter，返回拷贝的新参数。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> y = x.copy()

property data

返回参数对象。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([[1, 2], [3, 4]], dtype=np.float32)), name="param")
>>> x.data
Parameter (name=param, shape=(2, 2), dtype=Float32, requires_grad=True)

init_data(layout=None, set_sliced=False)

初始化参数的数据。

参数：

• layout (Union[None, tuple]) - 参数的layout信息。layout[dev_mat, tensor_map, slice_shape, filed_size, uniform_split, opt_shard_group]。默认值： None 。仅在 SEMI_AUTO_PARALLEL 或 AUTO_PARALLEL 模式下 layout 不是 None 。

  • dev_mat (list(int)) - 该参数的设备矩阵。

  • tensor_map (list(int)) - 该参数的张量映射。

  • slice_shape (list(int)) - 该参数的切片shape。

  • filed_size (int) - 该权重的行数。

  • uniform_split (bool) - 该参数是否进行均匀切分。

  • opt_shard_group (str) - 该参数进行优化器切分时的group。

• set_sliced (bool) - 参数初始化时被设定为分片，则为 True 。默认值： False 。

返回：

初始化数据后的 Parameter 。如果当前 Parameter 已初始化，则更新 Parameter 数据。

异常：

• RuntimeError - 参数使用 Initializer 模块进行初始化，初始化后并行模式发生更改。

• ValueError - layout 长度小于6。

• TypeError - layout 不是元组。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([[1, 2], [3, 4]], dtype=np.float32)), name="param")
>>> x.init_data()

property inited_param

用于调用 init_data 后，获取当前的Parameter。

如果 self 是没有数据的Parameter，则默认返回为None；在调用 init_data 方法对Parameter初始化数据后，当前Parameter会被记录在此属性中。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.inited_param

property key

用于获取当前Parameter的唯一key值。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.key = 2
>>> x.key
2

property layerwise_parallel

获取此参数的逐层并行状态（bool）。

在 DATA_PARALLEL 和 HYBRID_PARALLEL 模式下，如果 layerwise_parallel 为 True ，则广播和gradients通信将不会应用到参数。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.layerwise_parallel = True
>>> x.layerwise_parallel
True

property name

获取参数的名称。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.name = "param1"
>>> x.name
'param1'

property parallel_optimizer

获取此参数的优化器并行状态（bool）。

用于在 AUTO_PARALLEL 和 SEMI_AUTO_PARALLEL 模式下过滤权重切分操作。当在 mindspore.set_auto_parallel_context() 中启用优化器并行时，它才有效。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.parallel_optimizer = True
>>> x.parallel_optimizer
True

property parallel_optimizer_comm_recompute

获取此参数的优化器并行通信重计算状态（bool）。

在 AUTO_PARALLEL 和 SEMI_AUTO_PARALLEL 模式下，当使用并行优化器时，会自动插入一些 mindspore.ops.AllGather 算子，用于参数聚合。它用于控制这些 mindspore.ops.AllGather 算子的重计算属性。

说明

• 仅支持 Graph 模式。

• 建议使用cell.recompute(parallel_optimizer_comm_recompute=True/False)去配置由优化器并行生成的 mindspore.ops.AllGather 算子，而不是直接使用该接口。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.parallel_optimizer_comm_recompute = True
>>> x.parallel_optimizer_comm_recompute
True

property requires_grad

表示该参数是否需要求梯度进行更新。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.requires_grad = True
>>> x.requires_grad
True

set_data(data, slice_shape=False)

设置参数数据。

参数：

• data (Union[Tensor, int, float]) - 新数据。

• slice_shape (bool) - 如果 slice_shape 设为 True ，则不检查 data 和当前参数shape的一致性。默认值： False 。当 slice_shape 设为 True 时，如果两个shape不一致，会抛出ValueError。

返回：

完成数据设置的新参数。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([[1, 2], [3, 4]], dtype=np.float32)), name="param")
>>> x.set_data(Tensor(np.array([[6, 6], [6, 6]], dtype=np.float32)))
Parameter (name=param, shape=(2, 2), dtype=Float32, requires_grad=True)

set_param_ps(init_in_server=False)

表示可训练参数是否由参数服务器更新，以及可训练参数是否在服务器上初始化。

说明

仅当运行的任务处于参数服务器模式下有效。 只支持在图模式下调用。

参数：

• init_in_server (bool) - 表示参数服务器更新的可训练参数是否在服务器上初始化。默认值： False 。

教程样例：

• Parameter Server模式

property sliced

获取参数的切片状态。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.sliced = True
>>> x.sliced
True

property unique

表示参数是否唯一。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.unique = True
>>> x.unique
True

value()

返回参数的值。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x_value = x.value()
>>> print(x_value)
[1.  2.]