mindspore.amp.build_train_network

mindspore.amp.build_train_network(network, optimizer, loss_fn=None, level='O0', boost_level='O0', **kwargs)[源代码]

构建混合精度训练网络。

参数：

  • network (Cell) - 定义网络结构。

  • optimizer (Optimizer) - 定义优化器，用于更新权重参数。

  • loss_fn (Union[None, Cell]) - 定义损失函数。如果为None， network 中应该包含损失函数。默认值：None。

  • level (str) - 支持[“O0”, “O2”, “O3”, “auto”]。默认值：”O0”。

    • “O0” - 不变化。

    • “O2” - 将网络精度转为float16， BatchNorm 和 loss_fn 保持float32精度，使用动态调整损失缩放系数（loss scale）的策略。

    • “O3” - 将网络精度转为float16，不使用损失缩放策略，并设置 keep_batchnorm_fp32 为False。

    • auto - 为不同处理器设置专家推荐的混合精度等级，如在GPU上设为”O2”，在Ascend上设为”O3”。该设置方式可能在部分场景下不适用，建议用户根据具体的网络模型自定义设置 amp_level 。 keep_batchnorm_fp32 ， cast_model_type 和 loss_scale_manager 属性由level自动决定。

  • boost_level (str) - mindspore.boost 中参数 level 的选项，设置boost的训练模式级别。支持[“O0”, “O1”, “O2”]。默认值: “O0”。

    • “O0” - 不变化。

    • “O1” - 开启boost模式，性能提升20%左右，准确率与原始准确率相同。

    • “O2” - 开启boost模式，性能提升30%左右，准确率降低小于3%。如果设置了”O1”或”O2”模式，boost相关库将自动生效。

  • cast_model_type (mindspore.dtype) - 支持float16，float32。如果设置了该参数，网络将被转化为设置的数据类型，而不会根据设置的level进行转换。

  • keep_batchnorm_fp32 (bool) - 当网络被设置为float16时，配置为True，则BatchNorm将保持在float32下运行。设置level不会影响该属性。

  • loss_scale_manager (Union[None, LossScaleManager]) - 如果不为None，必须是 mindspore.amp.LossScaleManager 的子类，用于缩放损失系数(loss scale)。设置level不会影响该属性。

异常：

  • ValueError - 在CPU上，属性 loss_scale_manager 不是 None 或 FixedLossScaleManager （其属性 drop_overflow_update=False ）。

样例：

>>> from mindpsore import amp, nn
>>> network = LeNet5()
>>> net_loss = nn.SoftmaxCrossEntropyWithLogits(reduction="mean")
>>> net_opt = nn.Momentum(network.trainable_params(), learning_rate=0.01, momentum=0.9)
>>> amp_level="O3"
>>> net = amp.build_train_network(network, net_opt, net_loss, amp_level)