mindspore.data_sink

mindspore.data_sink(fn, dataset, sink_size=1, jit_config=None, input_signature=None)[源代码]

对输入的函数封装生成一个新的函数。

说明

使用数据下沉时，数据集将被自动循环发送至设备，设备侧最多缓存100个batch的数据且所占内存不大于2G，此时仅需考虑每次下沉的步数 sink_size ， sink_size 默认为 1 ，代表每个epoch仅从缓存中取一个batch的数据进行训练并输出loss，若 sink_size 大于1，则每个epoch从缓存中取出 sink_size 个batch的数据进行训练然后输出loss。

参数：

fn (Function) - 将与数据集一起运行的函数。
dataset (Dataset) - 训练数据集迭代器。数据集可以由数据集生成器API在 mindspore.dataset 中生成，例如 mindspore.dataset.ImageFolderDataset 。
sink_size (int) - 控制每次数据下沉的step数量。 sink_size 必须为正整数。默认值： 1 。
jit_config (JitConfig) - 编译时所使用的JitConfig配置项，详细可参考 mindspore.JitConfig 。默认值： None ，表示以PyNative模式运行。
input_signature (Union[Tensor, List or Tuple of Tensors]) - 用于表示输入参数的Tensor。Tensor的shape和dtype将作为函数的输入shape和dtype。如果指定了 input_signature ，则 fn 的每个输入都必须是Tensor，并且 fn 的输入参数将不会接受 **kwargs 参数，实际输入的shape和dtype应与 input_signature 相同，否则会出现TypeError。默认值： None 。

返回：

函数，该生成的函数会以数据下沉模式执行。

异常：

ValueError - 如果 sink_size 不是正整数。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> import mindspore as ms
>>> from mindspore import dataset as ds
>>>
>>> data = {"x": np.ones((1,), dtype=np.int32), "y": np.ones((1,), dtype=np.int32)}
>>> dataset = ds.NumpySlicesDataset(data=data)
>>>
>>> def func_net(x, y):
...     out = x + y
...     return out
>>>
>>> sink_process = ms.data_sink(func_net, dataset, sink_size=1)
>>> for _ in range(2):
...     out = sink_process()
...     print(out)
2
2