mindspore.set_context

mindspore.set_context(**kwargs)

设置运行环境的context。

在运行程序之前，应配置context。如果没有配置，默认情况下将根据设备目标进行自动设置。

说明

设置属性时，必须输入属性名称。net初始化后不建议更改模式，因为一些操作的实现在Graph模式和PyNative模式下是不同的。默认值： PYNATIVE_MODE 。

某些配置适用于特定的设备，某些参数将会在未来版本中废弃并移除（在第二列中用D标记），建议使用第四列的方法代替。 有关详细信息，请参见下表：

功能分类	配置参数	硬件平台支持	替换接口
系统配置	device_id (D)	CPU/GPU/Ascend	mindspore.set_device
	device_target (D)	CPU/GPU/Ascend	mindspore.set_device
	max_device_memory (D)	GPU/Ascend	mindspore.runtime.set_memory
	variable_memory_max_size (D)	Ascend	mindspore.runtime.set_memory
	mempool_block_size (D)	GPU/Ascend	mindspore.runtime.set_memory
	op_timeout (D)	Ascend	ascend.op_debug.execute_timeout
调试配置	save_graphs (D)	CPU/GPU/Ascend	MS_DEV_SAVE_GRAPHS
	save_graphs_path (D)	CPU/GPU/Ascend	MS_DEV_SAVE_GRAPHS_PATH
	deterministic (D)	Ascend	mindspore.set_deterministic
	print_file_path	Ascend	NA
	env_config_path	CPU/GPU/Ascend	NA
	precompile_only (D)	CPU/GPU/Ascend	MS_DEV_PRECOMPILE_ONLY
	reserve_class_name_in_scope	CPU/GPU/Ascend	NA
	pynative_synchronize (D)	CPU/GPU/Ascend	mindspore.runtime.launch_blocking
	debug_level (D)	CPU/GPU/Ascend	NA
执行控制	mode	CPU/GPU/Ascend	NA
	enable_reduce_precision	Ascend	NA
	aoe_tune_mode (D)	Ascend	ascend.op_tuning.aoe_tune_mode
	aoe_config (D)	Ascend	ascend.op_tuning.aoe_job_type
	check_bprop (D)	CPU/GPU/Ascend	NA
	max_call_depth (D)	CPU/GPU/Ascend	mindspore.set_recursion_limit
	grad_for_scalar (D)	CPU/GPU/Ascend	derivative
	enable_compile_cache (D)	CPU/GPU/Ascend	MS_COMPILER_CACHE_ENABLE
	inter_op_parallel_num (D)	CPU/GPU/Ascend	mindspore.runtime.dispatch_threads_num
	runtime_num_threads (D)	CPU/GPU/Ascend	cpu.op_tuning.threads_num
	compile_cache_path	CPU/GPU/Ascend	NA
	disable_format_transform	GPU	NA
	support_binary	CPU/GPU/Ascend	NA
	memory_optimize_level (D)	CPU/GPU/Ascend	mindspore.runtime.set_memory
	memory_offload	GPU/Ascend	NA
	ascend_config (D)	Ascend	ascend.op_precision.precision_mode ascend.op_precision.op_precision_mode ascend.op_precision.matmul_allow_hf32 ascend.op_precision.conv_allow_hf32 ascend.op_tuning.op_compile
	jit_syntax_level	CPU/GPU/Ascend	NA
	gpu_config (D)	GPU	gpu.op_precision.conv_allow_tf32 gpu.op_precision.matmul_allow_tf32 gpu.op_precision.conv_fprop_algo gpu.op_precision.conv_wgrad_algo gpu.op_precision.conv_dgrad_algo
	jit_config	CPU/GPU/Ascend	NA
	exec_order	Ascend	NA

参数：

• device_id (int) - 表示目标设备的ID，其值必须在[0, device_num_per_host-1]范围中，且 device_num_per_host 的值不应超过4096。默认值： 0 。此参数将被弃用，将在后续版本中删除，请配合 device_target 使用接口 mindspore.set_device() 代替。

• device_target (str) - 表示待运行的目标设备，支持 'Ascend'、 'GPU'和 'CPU'。如果未设置此参数，则使用MindSpore包对应的后端设备。此参数将被弃用，将在后续版本中删除，请配合 device_id 使用接口 mindspore.set_device() 代替。

• max_device_memory (str) - 设置设备可用的最大内存。格式为"xxGB"。默认值： 1024GB 。实际使用的内存大小是设备的可用内存和 max_device_memory 值中的最小值。 max_device_memory 需要在程序运行之前设置。当使能虚拟内存时，过小的 max_device_memory 会导致频繁的碎片整理，影响性能。此参数将被弃用，将在后续版本中删除，请使用接口 mindspore.runtime.set_memory() 代替。

• variable_memory_max_size (str) - 此参数将被弃用，将在后续版本中删除，请使用接口 mindspore.runtime.set_memory() 代替。

• mempool_block_size (str) - 关闭虚拟内存下生效，设置设备内存池的块大小。格式为"xxGB"。默认值： 1GB 。最小值是1GB。实际使用的内存池块大小是设备的可用内存和 mempool_block_size 值中的最小值。当内存足够时，将按照此值扩展内存。此参数将被弃用，将在后续版本中删除，请使用接口 mindspore.runtime.set_memory() 代替。

• op_timeout (int) - 设置一个算子的最大执行时间，以秒为单位。如果执行时间超过这个值，系统将终止该任务。0意味着使用默认值，AI Core和AICPU算子在不同硬件上的默认值有差异，详细信息请查看 昇腾社区关于aclrtSetOpExecuteTimeOut文档说明。MindSpore默认设置值： 900 。

• save_graphs (bool 或 int) - 表示是否保存中间编译图。默认值： 0 。可用的选项为：

  • False或0：不保存中间编译图。

  • 1：运行时会输出图编译过程中生成的一些中间文件。

  • True或2：生成更多后端流程相关的ir文件。

  • 3：生成可视化计算图和更多详细的前端ir图。

  当网络结构复杂时将 save_graphs 属性设为 2 或者 3 时可能会出现耗时过长的情况。如需要快速定位问题，可先设置 save_graphs 属性为 1 。

  当 save_graphs 属性设为 1 、 2 、 3 或者 True 时， save_graphs_path 属性用于设置中间编译图的存储路径。默认情况下，计算图保存在当前目录下。 此参数将被弃用，将在后续版本中删除，请使用环境变量 MS_DEV_SAVE_GRAPHS 替代。

• save_graphs_path (str) - 表示保存计算图的路径。默认值： "." 。如果指定的目录不存在，系统将自动创建该目录。在分布式训练中，图形将被保存到 save_graphs_path/rank_${rank_id}/ 目录下。 rank_id 为集群中当前设备的ID。此参数将被弃用，将在后续版本中删除，请使用环境变量 MS_DEV_SAVE_GRAPHS_PATH 替代。

• deterministic (str) - 表示是否使能算子确定性运行模式。值必须在['ON','OFF']范围内，默认值： 'OFF' 。

  • ON：开启算子确定性运行模式。

  • OFF：关闭算子确定性运行模式。

  当确定性开启时，模型中的算子将在Ascend中具有确定性。这意味着，如果算子在同一硬件上使用相同的输入运行多次，则每次都会有完全相同的输出。这对于调试模型很有用。 此参数将被弃用，将在后续版本中删除，请使用接口 mindspore.set_deterministic() 代替。

• enable_dump (bool) - 此参数已弃用，将在下一版本中删除。

• save_dump_path (str) - 此参数已弃用，将在下一版本中删除。

• print_file_path (str) - 此参数将被弃用，将在后续版本中删除。

• env_config_path (str) - 此参数将被弃用，将在后续版本中删除。

• precompile_only (bool) - 表示是否仅预编译网络。默认值： False 。设置为 True 时，仅编译网络，而不执行网络。此参数将被弃用，将在后续版本中删除，请使用环境变量 MS_DEV_PRECOMPILE_ONLY 替代。

• reserve_class_name_in_scope (bool) - 此参数将被弃用，将在后续版本中删除。

• pynative_synchronize (bool) - 表示是否在PyNative模式下启动设备同步执行。默认值： False 。设置为 False 时，将在设备上异步执行算子。当算子执行出错时，将无法定位特定错误脚本代码的位置。当设置为 True 时，将在设备上同步执行算子。这将降低程序的执行性能。此时，当算子执行出错时，可以根据错误的调用栈来定位错误脚本代码的位置。此参数将被弃用，将在后续版本中删除，请使用接口 mindspore.runtime.launch_blocking() 代替。

• mode (int) - 表示在GRAPH_MODE(0)或PYNATIVE_MODE(1)模式中运行，两种模式都支持所有后端。默认值： PYNATIVE_MODE 。

• enable_reduce_precision (bool) - 表示是否开启降低精度计算。默认值： True 。设置为 True 时，不支持用户指定的精度，且精度将自动更改。设置为 False 时，如果未指定用例的精度，则会报错并退出。

• aoe_tune_mode (str) - 表示启动AOE调优，默认不设置。设置为 online 时，将启动在线调优，设置为 offline 时，将为离线调优保存GE图 。

• aoe_config (dict) - 设置aoe工具专用的参数，默认不设置。

  • job_type (str): 设置调优类型，有算子调优和子图调优。默认为算子调优。

    • "1": 设置为子图调优。

    • "2": 设置为算子调优。

• check_bprop (bool) - 表示是否检查反向传播节点，以确保反向传播节点输出的shape和数据类型与输入参数相同。默认值： False 。此参数将被弃用，将在后续版本中删除。

• max_call_depth (int) - 指定函数调用的最大深度。其值必须为正整数。默认值： 1000 。当嵌套Cell太深或子图数量太多时，需要设置 max_call_depth 参数。系统最大堆栈深度应随着 max_call_depth 的调整而设置为更大的值，否则可能会因为系统堆栈溢出而引发 "core dumped" 异常。此参数将被弃用，将在后续版本中删除，请使用 mindspore.set_recursion_limit() 接口替代。

• grad_for_scalar (bool) - 表示是否获取标量梯度。默认值： False 。当 grad_for_scalar 设置为True时，则可以导出函数的标量输入。由于后端目前不支持伸缩操作，所以该接口只支持在前端可推演的简单操作。此参数将被弃用，将在后续版本中删除，请使用张量求导的方式。

• enable_compile_cache (bool) - 表示是否加载或者保存图编译缓存。当 enable_compile_cache 被设置为True时，在第一次执行的过程中，一个编译缓存会被生成并且导出为一个MINDIR文件。当该网络被再次执行时，如果 enable_compile_cache 仍然为True并且网络脚本没有被更改，那么这个编译缓存会被加载。注意目前只支持有限的Python脚本更改的自动检测，这意味着可能有正确性风险。默认值： False 。当前不支持编译后大于2G的图。这是一个实验特性，可能会被更改或者删除。此参数将被弃用，将在后续版本中删除，请使用环境变量 MS_COMPILER_CACHE_ENABLE 替代。

• compile_cache_path (str) - 保存编译缓存的路径。默认值： "." 。如果目录不存在，系统会自动创建这个目录。缓存会被保存到如下目录： compile_cache_path/rank_${rank_id}/ 。 rank_id 是集群上当前设备的ID。此参数将被弃用，将在后续版本中删除，请使用环境变量 MS_COMPILER_CACHE_PATH 替代。

• inter_op_parallel_num (int) - 算子间并行数控制。 默认值为 0 ，表示由框架默认指定。

• runtime_num_threads (int) - 运行时actor和CPU算子核使用的线程池线程数，必须大于等于 0 。默认值为 30 ，如果同时运行多个进程，应将该值设置得小一些，以避免线程争用。如果设置为1，则无法使能运行时异步流水能力，可能会影响执行性能。此参数将被弃用，将在后续版本中删除。请使用接口 mindspore.device_context.cpu.op_tuning.threads_num() 代替。

• disable_format_transform (bool) - 表示是否取消NCHW到NHWC的自动格式转换功能。当fp16的网络性能不如fp32的时，可以设置 disable_format_transform 为 True ，以尝试提高训练性能。默认值： False 。

• support_binary (bool) - 是否支持在图形模式下运行.pyc或.so。如果要支持在图形模式下运行.so或.pyc，可将 support_binary 置为 True ，并运行一次.py文件，从而将接口源码保存到接口定义.py文件中，因此要保证该文件可写。然后将.py文件编译成.pyc或.so文件，即可在图模式下运行。

• memory_optimize_level (str) - 内存优化级别，默认值： O0 。其值必须在 ['O0', 'O1'] 范围中。

  • O0: 执行性能优先，关闭 SOMAS (Safe Optimized Memory Allocation Solver) 和一些其他内存优化。

  • O1: 内存性能优先，使能 SOMAS 和一些其他内存优化。

  此参数将被弃用，将在后续版本中删除，请使用接口 mindspore.runtime.set_memory() 代替。

• memory_offload (str) - 是否开启Offload功能，在内存不足场景下将空闲数据临时拷贝至Host侧内存。其值必须在['ON', 'OFF']范围中，默认值为 'OFF' 。

  • ON：开启memory offload功能。在Ascend硬件平台，在图编译等级不为O0时本参数不生效；设置memory_optimize_level='O1'时本参数不生效。

  • OFF：关闭memory offload功能。

• ascend_config (dict) - 设置Ascend硬件平台专用的参数，默认不设置。 precision_mode、jit_compile和atomic_clean_policy参数的默认值属于实验性质参数，将来可能会发生变化。

  • precision_mode (str): 混合精度模式设置。推理网络默认值： force_fp16 。其值范围如下：

    • force_fp16: 当算子既支持float16，又支持float32时，直接选择float16。

    • allow_fp32_to_fp16: 对于矩阵类算子，使用float16。对于矢量类算子，优先保持原图精度，如果网络模型中算子支持float32，则保留原始精度float32，如果网络模型中算子不支持float32，则直接降低精度到float16。

    • allow_mix_precision: 自动混合精度，针对全网算子，按照内置的优化策略，自动将部分算子的精度降低到float16或bfloat16。

    • must_keep_origin_dtype: 保持原图精度。

    • force_fp32: 当矩阵计算的算子输入为float16，输出既支持float16又支持float32时，强制转换成float32输出。

    • allow_fp32_to_bf16: 对于矩阵类算子，使用bfloat16。对于矢量类算子，优先保持原图精度，如果网络模型中算子支持float32，则保留原始精度float32，如果网络模型中算子不支持float32，则直接降低精度到bfloat16。

    • allow_mix_precision_fp16: 自动混合精度，针对全网算子，按照内置的优化策略，自动将部分算子的精度降低到float16。

    • allow_mix_precision_bf16: 自动混合精度，针对全网算子，按照内置的优化策略，自动将部分算子的精度降低到bfloat16。

  • jit_compile (bool): 表示是否选择在线编译。当设置为 True 时，优先选择在线编译，当设置为 False 时，优先选择系统中已经编译好的算子二进制文件，提升编译性能。默认设置为静态shape选择在线编译，动态shape选择算子二进制文件。

  • atomic_clean_policy (int): 表示清理网络中atomic算子占用的内存的策略。默认值： 1 。

    • 0：集中清理网络中所有atomic算子占用的内存。

    • 1：不集中清理内存，对网络中每一个atomic算子进行单独清零。当网络中内存超限时，可以尝试此种清理方式，但可能会导致一定的性能损耗。

  • matmul_allow_hf32 (bool): 是否为Matmul类算子使能FP32转换为HF32。默认值： False。这是一个实验特性，可能会被更改或者删除。如果您想了解更多详细信息， 请查询 昇腾社区 了解。

  • conv_allow_hf32 (bool): 是否为Conv类算子使能FP32转换为HF32。默认值： True。这是一个实验特性，可能会被更改或者删除。如果您想了解更多详细信息， 请查询 昇腾社区 了解。

  • exception_dump (str): 开启Ascend算子异常dump，提供计算异常时候的输入输出信息。可以为 "0"，"1"，"2"。为 "0" 时关闭异常dump；为 "1" 时dump出AICore异常算子输入输出数据；为 "2" 时dump出AICore异常算子输入数据，保存信息减少，但可提升性能。默认值： "2"。

  • op_precision_mode (str): 算子精度模式配置文件的所在路径。如果您想了解更多详细信息, 请查询 昇腾社区 了解。

  • op_debug_option (str): 表示Ascend算子调试配置，默认不开启，当前只支持内存访问越界检测，可配置为 oom 。

    • oom : 涉及从全局内存中读写数据，例如读写算子数据等，该选项开启全局内存访问越界检测，实际执行算子时，若出现内存越界，AscendCL会返回 EZ9999 错误码。

  • ge_options (dict): 设置CANN的options配置项，配置项分为 global 和 session 二类 。这是一个实验特性，可能会被更改或者删除。 详细的配置请查询 options配置说明 。 ge_options 中的配置项可能与 ascend_config 中的配置项重复，若同时设置了 ascend_config 和 ge_options 中的相同配置项，则以 ge_options 中设置的为准。

    • global (dict): 设置global类的选项。

    • session (dict): 设置session类的选项。

  • parallel_speed_up_json_path (Union[str, None]): 并行加速配置文件，配置项可以参考 parallel_speed_up.json 。 当设置为None时，表示不启用。

    • recompute_comm_overlap (bool): 为 True 时表示开启反向重计算和通信掩盖。默认值： False 。

    • matmul_grad_comm_overlap (bool): 为 True 时表示开启反向Matmul和通信掩盖。默认值： False 。

    • enable_task_opt (bool): 为 True 时表示开启通信融合进行通信算子task数量优化。默认值： False 。

    • enable_grad_comm_opt (bool): 为 True 时表示开启梯度dx计算与数据并行梯度通信的掩盖，暂时不支持 LazyInline 功能下开启。默认值： False 。

    • enable_opt_shard_comm_opt (bool): 为 True 时表示开启正向计算与优化器并行的AllGather通信的掩盖，暂时不支持 LazyInline 功能下开启。默认值： False 。

    • enable_concat_eliminate_opt (bool): 为 True 时表示开启Concat消除优化，当前在开启细粒度双副本优化时有收益。默认值： False 。

    • enable_begin_end_inline_opt (bool): 为 True 时表示开启首尾micro_batch子图的内联，用于半自动并行子图模式，流水线并行场景，一般需要和其他通信计算掩盖优化一起使用。默认值： False 。

    • compute_communicate_fusion_level (int): 控制通算融合的级别。默认值：0。注：此功能需要配套Ascend Training Solution 24.0.RC2以上版本使用。

      • 0: 不启用通算融合。

      • 1: 仅对前向节点使能通算融合。

      • 2: 仅对反向节点使能通算融合。

      • 3: 对所有节点使能通算融合。

    • dataset_broadcast_opt_level (int): 数据集读取的优化级别， 目前只支持O0/O1模式，O2模式下不生效。默认值：0。

      • 0: 不启用数据集读取优化。

      • 1: 优化流水线并行中，Stage间的数据读取。

      • 2: 优化模型并行维度数据的读取。

      • 3: 同时优化场景1和2。

    • bias_add_comm_swap (bool): 为 True 时表示开启matmul-add结构下，通信算子与add算子执行顺序互换。当前仅支持bias为一维的情况。默认值： False 。

    • enable_allreduce_slice_to_reducescatter (bool): 为 True 时，表示开启allreduce优化。在batchmatmul模型并行引入allreduce的场景中，如果后续节点是配置了模型并行的stridedslice算子，在已识别可优化的模式中，将allreduce优化为reducescatter。典型的用在开启了groupwise alltoall的MoE模块。默认值： False 。

    • enable_interleave_split_concat_branch (bool): 为 True 时，表示针对带enable_interleave属性的split和concat算子形成的分支，开启通信计算并行优化。典型的使用场景为MoE模块并行场景，对输入数据进行split后，各切片数据进行MoE模块运算，再对分支结果进行concat，开启后各分支的MoE模块进行通信计算并行。默认值： False 。

    • enable_interleave_parallel_branch (bool): 为 True 时，表示针对可并行的分支，如果分支汇聚点带parallel_branch属性，开启通信计算并行优化。典型的使用场景为MoE模块带路由专家和共享专家分支的并行场景，开启后并行分支进行通信计算并行。默认值： False 。

  • host_scheduling_max_threshold (int): 控制静态小图（根图）执行时是否使用动态shape调度的最大阈值，默认阈值为0。如果静态根图节点个数小于最大阈值，则使用动态shape调度。大模型场景，该方式可以节约stream资源。如果静态根图节点个数大于最大阈值，则保持原有流程不变。

  • hccl_watchdog (bool): 开启一个线程监控集合通信故障。默认值： True 。

• jit_syntax_level (int) - 当通过GRAPH_MODE或者@jit装饰器触发图编译时，此选项用于设置JIT语法支持级别。 其值必须为 STRICT 或 LAX ，默认值为 LAX 。全部级别都支持所有后端。

  • STRICT : 仅支持基础语法，且执行性能最佳。可用于MindIR导入导出。

  • LAX : 最大程度地兼容Python所有语法。执行性能可能会受影响，不是最佳。由于存在可能无法导出的语法，不能用于MindIR导入导出。

• debug_level (int) - 设置调试过程的配置。其值必须为 RELEASE 或 DEBUG 。默认值： RELEASE 。

  • RELEASE : 正常场景下使用，一些调试信息会被丢弃以获取一个较好的编译性能。

  • DEBUG : 当错误发生时，用来调试，在编译过程中，更多的调试信息会被记录下来。

  此参数将被弃用，将在后续版本中删除。

• gpu_config (dict) - 设置GPU硬件平台专用的参数，默认不设置。 目前只支持GPU硬件平台上设置conv_fprop_algo、conv_dgrad_algo、conv_wgrad_algo、conv_allow_tf32和matmul_allow_tf32参数。

  • conv_fprop_algo (str): 指定cuDNN的卷积前向算法。默认值： normal 。其值范围如下：

    • normal:使用cuDNN自带的启发式搜索算法，会根据卷积形状和类型快速选择合适的卷积算法。该参数不保证性能最优。

    • performance: 使用cuDNN自带的试运行搜索算法，会根据卷积形状和类型试运行所有卷积算法，然后选择最优算法。该参数保证性能最优。

    • implicit_gemm: 该算法将卷积隐式转换成矩阵乘法，完成计算。不需要显式将输入张量数据转换成矩阵形式保存。

    • implicit_precomp_gemm: 该算法将卷积隐式转换成矩阵乘法，完成计算。但是需要一些额外的内存空间去保存预计算得到的索引值，以便隐式地将输入张量数据转换成矩阵形式。

    • gemm: 该算法将卷积显式转换成矩阵乘法，完成计算。在显式完成矩阵乘法过程中，需要额外申请内存空间，将输入转换成矩阵形式。

    • direct: 该算法直接完成卷积计算，不会隐式或显式的将卷积转换成矩阵乘法。

    • fft: 该算法利用快速傅里叶变换完成卷积计算。需要额外申请内存空间，保存中间结果。

    • fft_tiling: 该算法利用快速傅里叶变换完成卷积计算，但是需要对输入进行分块。同样需要额外申请内存空间，保存中间结果，但是对大尺寸的输入，所需内存空间小于 fft 算法。

    • winograd: 该算法利用Winograd变换完成卷积计算。需要额外申请内存空间，保存中间结果。

    • winograd_nonfused: 该算法利用Winograd变形算法完成卷积计算。需要额外申请内存空间，保存中间结果。

  • conv_dgrad_algo (str): 指定cuDNN的卷积输入数据的反向算法。默认值： normal 。其值范围如下：

    • normal:使用cuDNN自带的启发式搜索算法，会根据卷积形状和类型快速选择合适的卷积算法。该参数不保证性能最优。

    • performance: 使用cuDNN自带的试运行搜索算法，会根据卷积形状和类型试运行所有卷积算法，然后选择最优算法。该参数保证性能最优。

    • algo_0: 该算法将卷积表示为矩阵乘积的和，而没有实际显式地形成保存输入张量数据的矩阵。求和使用原子加法操作完成，因此结果是不确定的。

    • algo_1: 该算法将卷积表示为矩阵乘积，而没有实际显式地形成保存输入张量数据的矩阵。结果是确定的。

    • fft: 该算法利用快速傅里叶变换完成卷积计算。需要额外申请内存空间，保存中间结果。结果是确定的。

    • fft_tiling: 该算法利用快速傅里叶变换完成卷积计算，但是需要对输入进行分块。同样需要额外申请内存空间，保存中间结果，但是对大尺寸的输入，所需内存空间小于 fft 算法。结果是确定的。

    • winograd: 该算法利用Winograd变换完成卷积计算。需要额外申请内存空间，保存中间结果。结果是确定的。

    • winograd_nonfused: 该算法利用Winograd变形算法完成卷积计算。需要额外申请内存空间，保存中间结果。结果是确定的。

  • conv_wgrad_algo (str): 指定cuDNN的卷积输入卷积核的反向算法。默认值： normal 。其值范围如下：

    • normal:使用cuDNN自带的启发式搜索算法，会根据卷积形状和类型快速选择合适的卷积算法。该参数不保证性能最优。

    • performance: 使用cuDNN自带的试运行搜索算法，会根据卷积形状和类型试运行所有卷积算法，然后选择最优算法。该参数保证性能最优。

    • algo_0: 该算法将卷积表示为矩阵乘积的和，而没有实际显式地形成保存输入张量数据的矩阵。求和使用原子加法操作完成，因此结果是不确定的。

    • algo_1: 该算法将卷积表示为矩阵乘积，而没有实际显式地形成保存输入张量数据的矩阵。结果是确定的。

    • algo_3: 该算法类似于 algo_0 ，但使用一些小的工作空间来预计算一些索引。结果也是不确定的。

    • fft: 该算法利用快速傅里叶变换完成卷积计算。需要额外申请内存空间，保存中间结果。结果是确定的。

    • fft_tiling: 该算法利用快速傅里叶变换完成卷积计算，但是需要对输入进行分块。同样需要额外申请内存空间，保存中间结果，但是对大尺寸的输入，所需内存空间小于 fft 算法。结果是确定的。

    • winograd_nonfused: 该算法利用Winograd变形算法完成卷积计算。需要额外申请内存空间，保存中间结果。结果是确定的。

  • conv_allow_tf32 (bool): 该标志表示是否开启卷积在cuDNN下的TF32张量核计算。默认值： True 。

  • matmul_allow_tf32 (bool): 该标志表示是否开启矩阵乘在CUBLAS下的TF32张量核计算。默认值： False 。

• jit_config (dict) - 设置全局编译选项的配置，只在使用Cell或者jit装饰器定义的网络中生效，默认不设置。 context设置全局jit config，而JitConfig设置局部网络的jit config，二者同时存在时，全局jit config不会覆盖局部网络的jit config。

  • jit_level (str): 用来控制编译优化级别。默认值为空，框架根据产品类别自动选择优化级别，Atlas训练产品为O2，其余产品均为O0。动态Shape场景须为O0/O1，不支持O2。其值范围如下：

    • O0: 除必要影响功能的优化外，其他优化均关闭，使用逐算子执行的执行方式。

    • O1: 使能常用优化和自动算子融合优化，使用逐算子执行的执行方式。

    • O2: 开启极致性能优化，使用下沉的执行方式。

  • infer_boost (str): 用来使能推理模式。默认值为“off”，表示关闭。其值范围如下：

    • on: 开启推理模式，推理性能得到较大提升。

    • off: 关闭推理模式，使用前向运算进行推理，性能较差。

• exec_order (str) - 算子执行时的排序方法，GRAPH_MODE(0)下jit_level为O0或者O1时生效。不同的执行顺序会使得网络的执行内存和性能有所差异，当前仅支持三种排序方法：bfs、dfs和gpto，默认方法为bfs。

  • bfs：默认的排序方法，广度优先排序，具备较好的通信掩盖效果，执行性能相对较好。

  • dfs：可选择的排序方法，深度优先排序，性能相对bfs执行序较差，但内存占用较少，建议在其他执行序OOM的场景下尝试dfs。

  • gpto：可选择的排序方法，该方法综合多种执行序选择一个性能相对较好的方法，在多副本并行的场景下可能会有一些性能收益。

异常：

• ValueError - 输入key不是上下文中的属性。

样例：

>>> import mindspore as ms
>>> ms.set_context(mode=ms.PYNATIVE_MODE)
>>> ms.set_context(precompile_only=True)
>>> ms.set_context(device_target="Ascend")
>>> ms.set_context(device_id=0)
>>> ms.set_context(save_graphs=True, save_graphs_path="./model.ms")
>>> ms.set_context(enable_reduce_precision=True)
>>> ms.set_context(reserve_class_name_in_scope=True)
>>> ms.set_context(variable_memory_max_size="6GB")
>>> ms.set_context(aoe_tune_mode="online")
>>> ms.set_context(aoe_config={"job_type": "2"})
>>> ms.set_context(check_bprop=True)
>>> ms.set_context(max_device_memory="3.5GB")
>>> ms.set_context(mempool_block_size="1GB")
>>> ms.set_context(print_file_path="print.pb")
>>> ms.set_context(max_call_depth=80)
>>> ms.set_context(env_config_path="./env_config.json")
>>> ms.set_context(grad_for_scalar=True)
>>> ms.set_context(enable_compile_cache=True, compile_cache_path="./cache.ms")
>>> ms.set_context(pynative_synchronize=True)
>>> ms.set_context(runtime_num_threads=10)
>>> ms.set_context(inter_op_parallel_num=4)
>>> ms.set_context(disable_format_transform=True)
>>> ms.set_context(memory_optimize_level='O0')
>>> ms.set_context(memory_offload='ON')
>>> ms.set_context(deterministic='ON')
>>> ms.set_context(ascend_config={"precision_mode": "force_fp16", "jit_compile": True,
...                "atomic_clean_policy": 1, "op_precision_mode": "./op_precision_config_file",
...                "op_debug_option": "oom",
...                "ge_options": {"global": {"ge.opSelectImplmode": "high_precision"},
...                               "session": {"ge.exec.atomicCleanPolicy": "0"}}})
>>> ms.set_context(jit_syntax_level=ms.STRICT)
>>> ms.set_context(debug_level=ms.context.DEBUG)
>>> ms.set_context(gpu_config={"conv_fprop_algo": "performance", "conv_allow_tf32": True,
...                "matmul_allow_tf32": True})
>>> ms.set_context(jit_config={"jit_level": "O0"})
>>> ms.set_context(exec_order="gpto")