静态图语法支持
概述
在Graph模式下，Python代码并不是由Python解释器去执行，而是将代码编译成静态计算图，然后执行静态计算图。
当前支持@ms_function装饰器修饰函数，Cell及其子类、ms_class类或者自定义普通类的成员方法。
对于函数，则编译函数定义；对于网络，则编译construct方法及其调用的其他方法或者函数。
ms_function使用规则详见ms_function API文档。
Cell定义详见Cell API文档。
由于语法解析的限制，当前在编译构图时，支持的数据类型、语法以及相关操作并没有完全与Python语法保持一致，部分使用受限。
本文主要介绍，在编译静态图时，支持的数据类型、语法以及相关操作，这些规则仅适用于Graph模式。
数据类型
Python内置数据类型
当前支持的Python内置数据类型包括：Number、String、List、Tuple和Dictionary。
Number
支持int、float、bool，不支持complex（复数）。
支持在网络里定义Number，即支持语法：y = 1、y = 1.2、 y = True。
当数据为常量时，编译时期可以获取到数值，因此在网络中可以支持强转Number的语法：y = int(x)、y = float(x)、y = bool(x)。
String
支持在网络里构造String，即支持语法y = "abcd"。
可以通过str()的方式进行将常量转换成字符串，支持str.format() 对字符串进行格式化，但是不支持format内部参数为变量和kwargs输入场景。
例如：
from mindspore import ms_function
@ms_function()
def test_str_format():
x = "{} is zero".format(0)
return x
x = test_str_format()
print(x)
结果如下：
0 is zero
List
支持在网络里构造List，即支持语法y = [1, 2, 3]。
计算图中最终需要输出的List会转换为Tuple输出。
需要注意的是MindSpore的List取值由于将其转换成了ListGetItem算子，该算子返回的始终为原List的一个拷贝，所以有时可能会和Python的List的引用表示有差异。
比如：
原生Python：
>>> a = [[1,2,3],4,5]
>>> b = a[0]
>>> b[0] = 123123
>>> a
[[123123, 2, 3], 4, 5]
MindSpore:
from mindspore import ms_function
@ms_function
def test_list():
a = [[1,2,3],4,5]
b = a[0]
b[0] = 123123
return a
a = test_list()
print('a:{}'.format(a))
结果如下：
x: ((1, 2, 3), 4, 5)
支持接口
append: 向list里追加元素。示例如下：
from mindspore import ms_function @ms_function() def test_list(): x = [1, 2, 3] x.append(4) return x x = test_list() print('x:{}'.format(x))
结果如下：
x: (1, 2, 3, 4)
insert: 在list里的指定位置插入指定的元素。示例如下：
from mindspore import ms_function @ms_function() def test_list_insert(): x = [1, 3, 4] x.insert(0, 2) return x x = test_list_insert() print('x:{}'.format(x))
结果如下：
x: (2, 1, 3, 4)
pop: 移除list里的指定位置的元素，默认移除最后一个。示例如下：
from mindspore import ms_function @ms_function() def test_list_pop(): x = [1, 3, 4] y = x.pop() return x, y x, y = test_list_pop() print('x:{}'.format(x)) print('y:', y)
结果如下：
x: (1, 3) y: 4
clear: 清空list里的元素。示例如下：
from mindspore import ms_function @ms_function() def test_list_clear(): x = [1, 3, 4] x.clear() return x x = test_list_clear() print('x:{}'.format(x))
结果如下：
x: ()
extend: 在list末尾追加另一个序列的多个值。示例如下：
from mindspore import ms_function @ms_function() def test_list_extend(): x = [1, 2, 3, 4] y = [5, 6, 7] x.extend(y) return x x = test_list_extend() print('x:{}'.format(x))
结果如下：
x: (1, 2, 3, 4, 5, 6, 7)
reverse: 逆转list中的元素。示例如下：
from mindspore import ms_function @ms_function() def test_list_reverse(): x = [1, 2, 3, 4] x.reverse() return x x = test_list_reverse() print('x:{}'.format(x))
结果如下：
x: (4, 3, 2, 1)
count: 统计list中的某个元素出现的次数。当前count方法仅支持常量场景。示例如下：
from mindspore import ms_function @ms_function() def test_list_count(): x = [1, 2, 3, 4] num = x.count(2) return num num = test_list_count() print('num:', num)
结果如下：
num: 1
如果count的使用场景中存在Tensor变量，将会抛出相关异常。
from mindspore import ms_function, Tensor @ms_function() def test_list_count(input_x): x = [1, 2, 3, 4] num = x.count(input_x) return num input_x = Tensor(2) num = test_list_count() print('num:', num)
结果如下：
The list count not support variable scene now. The count data is Tensor type.
支持索引取值和赋值
支持单层和多层索引取值以及赋值。
索引值仅支持
int和slice。slice内部数据必须为编译时能够确定的常量，即不能为计算后的Tensor。 赋值时，所赋的值支持Number、String、Tuple、List、Tensor。 当前切片赋值右值为Tensor时，需要将Tensor转换为List，在MindSpore静态图模式下这种转化目前是通过JIT Fallback实现，所以暂时不能支持变量场景。示例如下：
import mindspore as ms from mindspore import ms_function import numpy as np t = ms.Tensor(np.array([1, 2, 3])) @ms_function() def test_index(): x = [[1, 2], 2, 3, 4] m = x[0][1] z = x[1::2] x[1] = t x[2] = "ok" x[3] = (1, 2, 3) x[0][1] = 88 n = x[-3] return m, z, x, n m, z, x, n = test_index() print('m:{}'.format(m)) print('z:{}'.format(z)) print('x:{}'.format(x)) print('n:{}'.format(n))
结果如下：
m:2 z:[2, 4] x:[[1, 88], Tensor(shape=[3], dtype=Int64, value= [1, 2, 3]), 'ok', (1, 2, 3)] n:[1 2 3]
Tuple
支持在网络里构造Tuple，即支持语法y = (1, 2, 3)。
关于Tuple取值的引用类型问题与List相同，请见List的相关介绍。
支持索引取值
索引值支持
int、slice、Tensor，也支持多层索引取值，即支持语法data = tuple_x[index0][index1]...。索引值为
Tensor有如下限制：tuple里存放的都是Cell，每个Cell要在tuple定义之前完成定义，每个Cell的入参个数、入参类型和入参shape要求一致，每个Cell的输出个数、输出类型和输出shape也要求一致。索引
Tensor是一个dtype为int32的标量Tensor，取值范围在[-tuple_len, tuple_len)，Ascend后端不支持负数索引。该语法不支持
if、while、for控制流条件为变量的运行分支，仅支持控制流条件为常量。支持
GPU和Ascend后端。
int、slice索引示例如下：import mindspore as ms from mindspore import ms_function import numpy as np t = ms.Tensor(np.array([1, 2, 3])) @ms_function() def test_index(): x = (1, (2, 3, 4), 3, 4, t) y = x[1][1] z = x[4] m = x[1:4] n = x[-4] return y, z, m, n y, z, m, n = test_index() print('y:{}'.format(y)) print('z:{}'.format(z)) print('m:{}'.format(m)) print('n:{}'.format(n))
结果如下：
y:3 z:[1 2 3] m:((2, 3, 4), 3, 4) n:(2, 3, 4)
Tensor索引示例如下：import mindspore as ms from mindspore import nn, set_context set_context(mode=ms.GRAPH_MODE) class Net(nn.Cell): def __init__(self): super(Net, self).__init__() self.relu = nn.ReLU() self.softmax = nn.Softmax() self.layers = (self.relu, self.softmax) def construct(self, x, index): ret = self.layers[index](x) return ret x = ms.Tensor([-1.0], ms.float32) net = Net() ret = net(x, 0) print('ret:{}'.format(ret))
结果如下：
ret:[0.]
Dictionary
支持在网络里构造Dictionary，即支持语法y = {"a": 1, "b": 2}，当前仅支持String作为key值。
支持接口
keys：取出dict里所有的key值，组成Tuple返回。values：取出dict里所有的value值，组成Tuple返回。items：取出dict里每一对key和value组成的Tuple，组成Tuple返回。get：dict.get(key[, value])返回指定key对应的value值，如果指定key不存在，返回默认值None或者设置的默认值value。clear：删除dict里所有的元素。has_key：dict.has_key(key)判断dict里是否存在指定key。update：dict1.update(dict2)把dict2中的元素更新到dict1中。fromkeys：dict.fromkeys(seq([, value]))用于创建新的Dictionary，以序列seq中的元素做Dictionary的key，value为所有key对应的初始值。示例如下：
import mindspore as ms from mindspore import ms_function import numpy as np x = {"a": ms.Tensor(np.array([1, 2, 3])), "b": ms.Tensor(np.array([4, 5, 6])), "c": ms.Tensor(np.array([7, 8, 9]))} @ms_function() def test_dict(): x_keys = x.keys() x_values = x.values() x_items = x.items() value_a = x.get("a") check_key = x.has_key("a") y = {"a": ms.Tensor(np.array([0, 0, 0]))} x.update(y) new_dict = x.fromkeys("abcd", 123) return x_keys, x_values, x_items, value_a, check_key, x, new_dict x_keys, x_values, x_items, value_a, check_key, new_x, new_dict = test_dict() print('x_keys:{}'.format(x_keys)) print('x_values:{}'.format(x_values)) print('x_items:{}'.format(x_items)) print('value_a:{}'.format(value_a)) print('check_key:{}'.format(check_key)) print('new_x:{}'.format(new_x)) print('new_dict:{}'.format(new_dict))
结果如下：
x_keys:('a', 'b', 'c') x_values:(Tensor(shape=[3], dtype=Int64, value= [1, 2, 3]), Tensor(shape=[3], dtype=Int64, value= [4, 5, 6]), Tensor(shape=[3], dtype=Int64, value= [7, 8, 9])) x_items:(('a', Tensor(shape=[3], dtype=Int64, value= [1, 2, 3])), ('b', Tensor(shape=[3], dtype=Int64, value= [4, 5, 6])), ('c', Tensor(shape=[3], dtype=Int64, value= [7, 8, 9]))) value_a:[1 2 3] check_key: True new_x: {'a': ms.Tensor(np.array([0, 0, 0])), 'b': ms.Tensor(np.array([4, 5, 6])), 'c': ms.Tensor(np.array([7, 8, 9]))} new_dict: {'a': 123, 'b': 123, 'c': 123, 'd': 123}支持索引取值和赋值
取值和赋值的索引值都仅支持
String。赋值时，所赋的值支持Number、Tuple、Tensor、List、Dictionary。示例如下：
import mindspore as ms from mindspore import ms_function import numpy as np x = {"a": ms.Tensor(np.array([1, 2, 3])), "b": ms.Tensor(np.array([4, 5, 6])), "c": ms.Tensor(np.array([7, 8, 9]))} @ms_function() def test_dict(): y = x["b"] x["a"] = (2, 3, 4) return x, y x, y = test_dict() print('x:{}'.format(x)) print('y:{}'.format(y))
结果如下：
x:{'a': (2, 3, 4), 'b': Tensor(shape=[3], dtype=Int64, value= [4, 5, 6]), 'c': Tensor(shape=[3], dtype=Int64, value= [7, 8, 9])} y:[4 5 6]
MindSpore自定义数据类型
当前MindSpore自定义数据类型包括：Tensor、Primitive、Cell和Parameter。
Tensor
目前已支持在网络里构造Tensor。
Tensor的属性与接口详见Tensor API文档。
Primitive
当前支持在网络里构造Primitive及其子类的实例，即支持语法reduce_sum = ReduceSum(True)。
但在构造时，参数只能通过位置参数方式传入，不支持通过键值对方式传入，即不支持语法reduce_sum = ReduceSum(keep_dims=True)。
当前不支持在网络调用Primitive及其子类相关属性和接口。
当前已定义的Primitive详见Primitive API文档。
Cell
当前支持在网络里构造Cell及其子类的实例，即支持语法cell = Cell(args...)。
但在构造时，参数只能通过位置参数方式传入，不支持通过键值对方式传入，即不支持在语法cell = Cell(arg_name=value)。
当前不支持在网络调用Cell及其子类相关属性和接口，除非是在Cell自己的construct中通过self调用。
Cell定义详见Cell API文档。
Parameter
Parameter是变量张量，代表在训练网络时，需要被更新的参数。
Parameter的定义和使用详见Parameter API文档。
原型
原型代表编程语言中最紧密绑定的操作。
属性引用
属性引用是后面带有一个句点加一个名称的原型。
在MindSpore的Cell 实例中使用属性引用作为左值需满足如下要求：
被修改的属性属于本
cell对象，即必须为self.xxx。该属性在Cell的
__init__函数中完成初始化且其为Parameter类型。
示例如下：
import mindspore as ms
from mindspore import ms_function, nn, set_context
import numpy as np
from mindspore.ops import constexpr
set_context(mode=ms.GRAPH_MODE)
class Net(nn.Cell):
def __init__(self):
super().__init__()
self.weight = ms.Parameter(ms.Tensor(3, ms.float32), name="w")
self.m = 2
def construct(self, x, y):
self.weight = x # 满足条件可以修改
# self.m = 3 # self.m 非Parameter类型禁止修改
# y.weight = x # y不是self，禁止修改
return x
net = Net()
ret = net(1, 2)
print('ret:{}'.format(ret))
结果如下:
ret:1
索引取值
对序列Tuple、List、Dictionary、Tensor的索引取值操作(Python称为抽取)。
Tuple的索引取值请参考本文的Tuple章节。
List的索引取值请参考本文的List章节。
Dictionary的索引取值请参考本文的Dictionary章节。
Tensor的索引取详见Tensor 索引取值文档。
调用
所谓调用就是附带可能为空的一系列参数来执行一个可调用对象(例如：Cell、Primitive)。
示例如下：
import mindspore as ms
from mindspore import nn, ops, set_context
import numpy as np
set_context(mode=ms.GRAPH_MODE)
class Net(nn.Cell):
def __init__(self):
super().__init__()
self.matmul = ops.MatMul()
def construct(self, x, y):
out = self.matmul(x, y) # Primitive调用
return out
x = ms.Tensor(np.ones(shape=[1, 3]), ms.float32)
y = ms.Tensor(np.ones(shape=[3, 4]), ms.float32)
net = Net()
ret = net(x, y)
print('ret:{}'.format(ret))
结果如下:
ret:[[3. 3. 3. 3.]]
运算符
算术运算符和赋值运算符支持Number和Tensor运算，也支持不同dtype的Tensor运算。
规则可参考：隐式类型转换规则。
单目算术运算符
单目算术运算符 |
支持类型 |
|---|---|
|
|
|
|
|
|
说明：
在Python中
~操作符对输入的整数按位取反; MindSpore对~的功能重新定义为对Tensor(Bool)的逻辑取反。
二元算术运算符
二元算术运算符 |
支持类型 |
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
限制：
当左右操作数都为
Number类型时，Number的值不可为Bool类型。当左右操作数都为
Number类型时，不支持Float64和Int32间的运算。当任一操作数为
Tensor类型时，左右操作数的值不可同时为Bool。List/Tuple和Number进行*运算时表示将List/Tuple复制Number份后串联起来，List/Tuple内的数据类型必须为Number、String、None或由以上类型构成的List/Tuple。
赋值运算符
赋值运算符 |
支持类型 |
|---|---|
|
MindSpore支持的Python内置数据类型和MindSpore自定义数据类型 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
限制：
对于
=来说，不支持下列场景:在
construct函数中仅支持创建Cell和Primitive类型对象，使用xx = Tensor(...)的方式创建Tensor会失败。在
construct函数中仅支持为self 的Parameter类型的属性赋值, 详情参考：属性引用。当
AugAssign的左右操作数都为Number类型时，Number的值不可为Bool类型。当
AugAssign的左右操作数都为Number类型时，不支持Float64和Int32间的运算。当
AugAssign的任一操作数为Tensor类型时，左右操作数的值不可同时为Bool。List/Tuple和Number进行*=运算时表示将List/Tuple复制Number份后串联起来，List/Tuple内的数据类型必须为Number、String、None或由以上类型构成的List/Tuple。
逻辑运算符
逻辑运算符 |
支持类型 |
|---|---|
|
|
|
|
|
|
限制：
and、or的左操作数必须要能被转换成布尔值。例如：左操作数不能为存在多个元素的Tensor。当and、or的左操作数是变量Tensor时，右操作数必须也是同类型Tensor且Tensor成员个数只能有一个。在其余情况下，右操作数无要求。and、or的左右操作数存在图模式无法支持的对象（例如：第三方对象以及由图模式不原生支持的语法产生的对象）时，左右操作数需要均为常量。
比较运算符
比较运算符 |
支持类型 |
|---|---|
|
|
|
与 |
|
仅支持判断是 |
|
仅支持判断不是 |
< |
|
<= |
|
> |
|
>= |
|
!= |
|
== |
|
限制：
对于
<、<=、>、>=、!=来说，当左右操作数都为Number类型时，Number的值不可为Bool类型。对于
<、<=、>、>=、!=、==来说，当左右操作数都为Number类型时，不支持Float64和Int32间的运算。对于
<、<=、>、>=、!=、==来说，当左右任一操作数为Tensor类型时，左右操作数的值不可同时为Bool。对于
==来说，当左右操作数都为Number类型时，支持左右操作数同时为Bool，不支持只有一个操作数为Bool。对于
!=、==来说除mstype外，其他取值均可和None进行比较来判空。不支持链式比较，如:
a>b>c。
复合语句
条件控制语句
if语句
使用方式：
if (cond): statements...x = y if (cond) else z
参数：cond – 支持Bool类型的变量，也支持类型为Number、List、Tuple、Dict、String类型的常量。
限制：
如果
cond不为常量，在不同分支中同一符号被赋予的变量或者常量的数据类型应一致，如果是被赋予变量或者常量数据类型是Tensor，则要求Tensor的type和shape也应一致。if的使用数量不能超过100个。
示例1：
import mindspore as ms
from mindspore import ms_function
x = ms.Tensor([1, 2], ms.int32)
y = ms.Tensor([0, 3], ms.int32)
m = 'xx'
n = 'yy'
@ms_function()
def test_cond(x, y):
if (x > y).any():
return m
else:
return n
ret = test_cond(x, y)
print('ret:{}'.format(ret))
if分支返回的m和else分支返回的n，二者数据类型必须一致。
结果如下:
ret:xx
示例2：
import mindspore as ms
from mindspore import ms_function
x = ms.Tensor([1, 2], ms.int32)
y = ms.Tensor([0, 3], ms.int32)
m = 'xx'
n = 'yy'
@ms_function()
def test_cond(x, y):
out = 'init'
if (x > y).any():
out = m
else:
out = n
return out
ret = test_cond(x, y)
print('ret:{}'.format(ret))
if分支中out被赋值的变量或者常量m与else分支中out被赋值的变量或者常量n的数据类型必须一致。
结果如下:
ret:xx
示例3：
import mindspore as ms
from mindspore import ms_function
x = ms.Tensor([1, 2], ms.int32)
y = ms.Tensor([0, 3], ms.int32)
m = 'xx'
@ms_function()
def test_cond(x, y):
out = 'init'
if (x > y).any():
out = m
return out
ret = test_cond(x, y)
print('ret:{}'.format(ret))
if分支中out被赋值的变量或者常量m与out初始赋值的变量或者常量init的数据类型必须一致。
结果如下:
ret:xx
循环语句
for语句
使用方式：
for i in sequence statements...for i in sequence statements... if (cond) breakfor i in sequence statements... if (cond) continue
参数：sequence – 遍历序列(Tuple、List、range等)
限制：
图的算子数量和
for循环的迭代次数成倍数关系，for循环迭代次数过大可能会导致图占用内存超过使用限制。不支持
for...else...语句。
示例：
import mindspore as ms
from mindspore import ms_function
import numpy as np
z = ms.Tensor(np.ones((2, 3)))
@ms_function()
def test_cond():
x = (1, 2, 3)
for i in x:
z += i
return z
ret = test_cond()
print('ret:{}'.format(ret))
结果如下：
ret:[[7. 7. 7.]
[7. 7. 7.]]
while语句
使用方式：
while (cond) statements...while (cond) statements... if (cond1) breakwhile (cond) statements... if (cond1) continue
参数：cond – 支持Bool类型的变量，也支持类型为Number、List、Tuple、Dict、String类型的常量。
限制：
如果
cond不为常量，在循环体内外同一符号被赋值的变量或者常量的数据类型应一致，如果是被赋予数据类型Tensor，则要求Tensor的type和shape也应一致。不支持
while...else...语句如果
cond不为常量， 循环体内部不能更新循环体外的Number、List、Tuple类型数据， 不能更改Tensor类型数据的shape。while的数量不能超过100个。
示例1：
from mindspore import ms_function
m = 1
n = 2
@ms_function()
def test_cond(x, y):
while x < y:
x += 1
return m
return n
ret = test_cond(1, 5)
print('ret:{}'.format(ret))
while循环内返回的m和while外返回的n数据类型必须一致。
结果如下：
ret:1
示例2：
from mindspore import ms_function
m = 1
n = 2
def ops1(a, b):
return a + b
@ms_function()
def test_cond(x, y):
out = m
while x < y:
x += 1
out = ops1(out, x)
return out
ret = test_cond(1, 5)
print('ret:{}'.format(ret))
while内，out在循环体内被赋值的变量op1的输出类型和初始类型m必须一致。
结果如下：
ret:15
函数定义语句
def关键字
用于定义函数。
使用方式：
def function_name(args): statements...
示例如下：
from mindspore import ms_function
def number_add(x, y):
return x + y
@ms_function()
def test(x, y):
return number_add(x, y)
ret = test(1, 5)
print('ret:{}'.format(ret))
结果如下：
ret: 6
限制：
函数必须有返回语句。
最外层网络模型的
construct函数不支持kwargs，即不支持def construct(**kwargs):。不支持变参和非变参的混合使用，即不支持
def function(x, y, *args):和def function(x = 1, y = 1, **kwargs):。
lambda表达式
用于生成函数。
使用方式：lambda x, y: x + y
示例如下：
from mindspore import ms_function
@ms_function()
def test(x, y):
number_add = lambda x, y: x + y
return number_add(x, y)
ret = test(1, 5)
print('ret:{}'.format(ret))
结果如下：
ret: 6
列表生成式和生成器表达式
支持列表生成式（List Comprehension）和生成器表达式（Generator Expression）。
列表生成式
用于生成列表。由于编译器会自动把List类型转换成Tuple类型，经过编译后最终输出类型为Tuple。
使用方式：参考Python语法说明。
示例如下：
from mindspore import ms_function
@ms_function()
def test(x, y):
l = [x * x for x in range(1, 11) if x % 2 == 0]
return l
ret = test(1, 5)
print('ret:{}'.format(ret))
结果如下：
ret:(4, 16, 36, 64, 100)
限制：
不支持多层嵌套迭代器的使用方式。
限制用法示例如下（使用了两层迭代器）：
l = [y for x in ((1, 2), (3, 4), (5, 6)) for y in x]
会提示错误：
TypeError: The `generators` supports one `comprehension` in ListComp/GeneratorExp, but got 2 comprehensions.
生成器表达式
用于生成列表，与列表生成式动作完全一致，最终的输出类型同样是Tuple。此表达式即刻产生List值，与Python解释器中列表生成式的动作有所差异。
使用方式：同列表生成式。
示例如下：
from mindspore import ms_function
@ms_function()
def test(x, y):
l = (x * x for x in range(1, 11) if x % 2 == 0)
return l
ret = test(1, 5)
print('ret:{}'.format(ret))
结果如下：
ret:(4, 16, 36, 64, 100)
使用限制同列表生成式。
with语句
在图模式下，有限制地支持with语句。with语句要求对象必须有两个魔术方法：__enter__()和__exit__()。
示例如下：
import mindspore as ms
import mindspore.nn as nn
from mindspore import Tensor, ms_class, set_context
set_context(mode=ms.GRAPH_MODE)
@ms_class
class Sample:
def __init__(self):
super(Sample, self).__init__()
self.num = Tensor([2])
def __enter__(self):
return self.num * 2
def __exit__(self, exc_type, exc_value, traceback):
return self.num * 4
class TestNet(nn.Cell):
def construct(self):
res = 1
obj = Sample()
with obj as sample:
res += sample
return res, obj.num
test_net = TestNet()
out1, out2 = test_net()
print("out1:", out1)
print("out2:", out2)
结果如下：
out1: [5]
out2: [2]
函数
Python内置函数
当前支持的Python内置函数包括：int、float、bool、str、list、tuple、getattr、hasattr、len、isinstance、all、any、round、max、min、sum、abs、partial、map、range、enumerate、super、pow和filter。图模式下内置函数的使用方法与对应的Python内置函数类似。
int
功能：返回一个基于数字或字符串构造的整数对象。
调用：int(x=0, base=10)
入参：
x– 需要被转换为整数的对象，支持类型为int、float、bool、str、常量Tensor以及第三方对象（例如numpy.ndarray）。base– 待转换进制， 只有在x为str类型的时候， 才可以设置该输入。
返回值：转换后的整数值。
代码用例如下：
from mindspore import ms_function
@ms_function
def func():
a = int(3)
b = int(3.6)
c = int('12', 16)
d = int('0xa', 16)
e = int('10', 8)
return a, b, c, d, e
a, b, c, d, e = func()
print("a: ", a)
print("b: ", b)
print("c: ", c)
print("d: ", d)
print("e: ", e)
输出结果：
a: 3
b: 3
c: 18
d: 10
e: 8
float
功能：返回一个基于数字或字符串构造的浮点数对象。
调用：float(x=0)
入参：x – 需要被转换为浮点数的对象，支持类型为int、float、bool、str、常量Tensor以及第三方对象（例如numpy.ndarray）。
返回值：转换后的浮点数值。
代码用例如下：
from mindspore import ms_function
@ms_function
def func():
a = float(1)
b = float(112)
c = float(-123.6)
d = float('123')
return a, b, c, d
a, b, c, d = func()
print("a: ", a)
print("b: ", b)
print("c: ", c)
print("d: ", d)
输出结果：
a: 1.0
b: 112.0
c: -123.6
d: 123.0
bool
功能：返回一个基于输入构造的布尔值的对象。
调用：bool(x=false)
入参：x – 需要被转换为布尔值的对象，支持类型为int、float、bool、str、list、 tuple、 dict、Tensor以及第三方对象（例如numpy.ndarray）。
返回值：若输入 x 不是 Tensor，则返回转换后的布尔值。若输入 x 为 Tensor，则返回布尔类型的 Tensor。
代码用例如下：
from mindspore import ms_function, Tensor
@ms_function
def func():
a = bool()
b = bool(0)
c = bool("abc")
d = bool([1, 2, 3, 4])
e = bool(Tensor([10]))
return a, b, c, d, e
a, b, c, d, e = func()
print("a: ", a)
print("b: ", b)
print("c: ", c)
print("d: ", d)
print("e: ", e)
输出结果：
a: False
b: False
c: True
d: True
e: [True] # e 为布尔类型的Tensor
str
功能：返回一个基于输入构造的字符串的对象。
调用：str(x='')
入参：x – 需要被转换为字符串的对象，支持类型为int、float、bool、str、list、 tuple、 dict、常量Tensor以及第三方对象（例如numpy.ndarray）。其中，list、 tuple以及dict中不能含有非常量值。
返回值：输入x转换后的字符串。
代码用例如下：
import numpy as np
from mindspore import ms_function, Tensor
@ms_function
def func():
a = str()
b = str(0)
c = str([1, 2, 3, 4])
d = str(Tensor([10]))
e = str(np.array([1, 2, 3, 4]))
return a, b, c, d, e
a, b, c, d, e = func()
print("a: ", a)
print("b: ", b)
print("c: ", c)
print("d: ", d)
print("e: ", e)
输出结果：
a: # a 为空字符串
b: 0
c: [1, 2, 3, 4]
d: Tensor(shape=[1], dtype=Int64, value=[10])
e: [1 2 3 4]
tuple
功能：返回一个基于输入构造的元组。
调用：tuple(x=())
入参：x – 需要被转换为元组的对象，支持类型为list、 tuple、 dict、Tensor以及第三方对象（例如numpy.ndarray）。
返回值：按照x的第零纬度拆分得到的元组。
代码用例如下：
import numpy as np
import mindspore as ms
from mindspore import ms_function
@ms_function
def func():
a = tuple((1, 2, 3))
b = tuple(np.array([1, 2, 3]))
c = tuple({'a': 1, 'b': 2, 'c': 3})
d = tuple(ms.Tensor([1, 2, 3]))
return a, b, c ,d
a, b, c ,d = func()
print("a: ", a)
print("b: ", b)
print("c: ", c)
print("d: ", d)
输出结果：
a: (1, 2, 3)
b: (1, 2, 3)
c: ('a', 'b', 'c')
d: (Tensor(shape=[], dtype=Int64, value= 1), Tensor(shape=[], dtype=Int64, value= 2), Tensor(shape=[], dtype=Int64, value= 3))
list
功能：返回一个基于输入构造的列表。
调用：list(x=())
入参：x – 需要被转换为列表的对象，支持类型为list、 tuple、 dict、Tensor以及第三方对象（例如numpy.ndarray）。
返回值：按照x的第零纬度拆分得到的列表。
代码用例如下：
import mindspore as ms
from mindspore import ms_function
@ms_function
def func():
a = list((1, 2, 3))
b = list(np.array([1, 2, 3]))
c = list({'a':1, 'b':2, 'c':3})
d = list(ms.Tensor([1, 2, 3]))
return a, b, c, d
a_t, b_t, c_t, d_t = func()
print("a_t: ", a_t)
print("b_t: ", b_t)
print("c_t: ", c_t)
print("d_t: ", d_t)
输出结果:
a_t: (1, 2, 3)
b_t: (1, 2, 3)
c_t: ('a', 'b', 'c')
d_t: (Tensor(shape=[], dtype=Int64, value= 1), Tensor(shape=[], dtype=Int64, value= 2), Tensor(shape=[], dtype=Int64, value= 3))
在静态图模式下，若返回值内存在列表，则会被自动转换为元组。因此上述用例的a_t、b_t、c_t、d_t均为元组。但是a、b、c、d仍为列表。
getattr
功能：获取对象的属性。
调用：getattr(x, attr, default)
入参：
x– 需要被获取属性的对象，可以为任意的图模式支持类型，不支持第三方库类型。attr– 需要获取的属性， 需要为str。default– 可选参数。若x没有attr, 则返回default, 可以为任意的图模式支持类型，不支持第三方库类型。若未输入default，且x没有属性attr，则会抛出AttributeError。
返回值：目标属性或者default。
代码用例如下：
import mindspore as ms
from mindspore import ms_function, ms_class
@ms_class
class MSClass1:
def __init__(self):
self.num0 = 0
ms_obj = MSClass1()
@ms_function
def func():
a = getattr(ms_obj, 'num0')
b = getattr(ms_obj, 'num1', 2)
return a, b
a, b = func()
print("a: ", a)
print("b: ", b)
输出结果:
a: 0
b: 2
在静态图模式下对象的属性可能会和动态图模式下有区别，建议使用default输入，或者在使用getattr前先使用hasattr进行校验。
hasattr
功能：判断对象是否具有该属性。
调用：hasattr(x, attr)
入参：
x– 需要被判断是否具有某属性的对象，可以为任意的图模式支持类型，也可以为第三方库类型。attr– 属性名， 需要为str。
返回值：布尔值， 表示是否具有该属性。
代码用例如下：
import mindspore as ms
from mindspore import ms_function, ms_class
@ms_class
class MSClass1:
def __init__(self):
self.num0 = 0
ms_obj = MSClass1()
@ms_function
def func():
a = hasattr(ms_obj, 'num0')
b = hasattr(ms_obj, 'num1')
return a, b
a, b = func()
print("a: ", a)
print("b: ", b)
输出结果:
a: True
b: False
len
功能：求序列的长度。
调用：len(sequence)
入参：sequence – Tuple、List、Dictionary、Tensor以及第三方对象（例如numpy.ndarray）。
返回值：序列的长度，类型为int。当入参是Tensor时，返回的是Tensor第0维的长度。
示例如下：
import mindspore as ms
from mindspore import ms_function
import numpy as np
z = ms.Tensor(np.ones((6, 4, 5)))
@ms_function()
def test():
x = (2, 3, 4)
y = [2, 3, 4]
d = {"a": 2, "b": 3}
n = np.array([1, 2, 3, 4])
x_len = len(x)
y_len = len(y)
d_len = len(d)
z_len = len(z)
n_len = len(n)
return x_len, y_len, d_len, z_len, n_len
x_len, y_len, d_len, z_len, n_len = test()
print('x_len:{}'.format(x_len))
print('y_len:{}'.format(y_len))
print('d_len:{}'.format(d_len))
print('z_len:{}'.format(z_len))
print('n_len:{}'.format(n_len))
结果如下：
x_len:3
y_len:3
d_len:2
z_len:6
z_len:4
isinstance
功能：判断对象是否为类的实例。区别于算子Isinstance，该算子的第二个入参是MindSpore的dtype模块下定义的类型。
调用：isinstance(obj, type)
入参：
obj– MindSpore支持类型的一个实例。type–bool、int、float、str、list、tuple、dict、Tensor、Parameter，或者是一个只包含这些类型的tuple。
返回值：obj为type的实例，返回True，否则返回False。
示例如下：
import mindspore as ms
from mindspore import ms_function
import numpy as np
z = ms.Tensor(np.ones((6, 4, 5)))
@ms_function()
def test():
x = (2, 3, 4)
y = [2, 3, 4]
x_is_tuple = isinstance(x, tuple)
y_is_list = isinstance(y, list)
z_is_tensor = isinstance(z, Tensor)
return x_is_tuple, y_is_list, z_is_tensor
x_is_tuple, y_is_list, z_is_tensor = test()
print('x_is_tuple:{}'.format(x_is_tuple))
print('y_is_list:{}'.format(y_is_list))
print('z_is_tensor:{}'.format(z_is_tensor))
结果如下：
x_is_tuple:True
y_is_list:True
z_is_tensor:True
all
功能：判断输入中的元素是否均为真值。
调用：all(x)
入参：x – 可迭代对象，支持类型包括tuple、list、dict、Tensor以及第三方对象（例如numpy.ndarray）。
返回值：布尔值， 表示输入中的元素是否均为真值。
代码用例如下：
from mindspore import ms_function
@ms_function
def func():
a = all(['a', 'b', 'c', 'd'])
b = all(['a', 'b', '', 'd'])
c = all([0, 1, 2, 3])
d = all(('a', 'b', 'c', 'd'))
e = all(('a', 'b', '', 'd'))
f = all((0, 1, 2, 3))
g = all([])
h = all(())
return a, b, c, d, e, f, g, h
a, b, c, d, e, f, g, h = func()
print("a: ", a)
print("b: ", b)
print("c: ", c)
print("d: ", d)
print("e: ", e)
print("f: ", f)
print("g: ", g)
print("h: ", h)
输出结果：
a: True
b: False
c: False
d: True
e: False
f: False
g: True
h: True
any
功能：判断输入中的元素是存在为真值。
调用：any(x)
入参：x – 可迭代对象，支持类型包括tuple、list、dict、Tensor以及第三方对象（例如numpy.ndarray）。
返回值：布尔值，表示输入中的元素是否存在真值。
代码用例如下：
from mindspore import ms_function
@ms_function
def func():
a = any(['a', 'b', 'c', 'd'])
b = any(['a', 'b', '', 'd'])
c = any([0, '', False])
d = any(('a', 'b', 'c', 'd'))
e = any(('a', 'b', '', 'd'))
f = any((0, '', False))
g = any([])
h = any(())
return a, b, c, d, e, f, g, h
a, b, c, d, e, f, g, h = func()
print("a: ", a)
print("b: ", b)
print("c: ", c)
print("d: ", d)
print("e: ", e)
print("f: ", f)
print("g: ", g)
print("h: ", h)
输出结果：
a: True
b: True
c: False
d: True
e: True
f: False
g: False
h: False
round
功能：返回输入的四舍五入。
调用：round(x, digit=0)
入参：
x– 需要四舍五入的值，有效类型为int、float、bool、Tensor以及定义了魔术方法__round__()第三方对象。digit– 表示进行四舍五入的小数点位数，默认值为0，支持int类型以及None。 若x为Tensor类型， 则不支持输入digit。
返回值：四舍五入后的值。
代码用例如下：
from mindspore import ms_function
@ms_function
def func():
a = round(10)
b = round(10.123)
c = round(10.567)
d = round(10, 0)
e = round(10.72, -1)
f = round(17.12, -1)
g = round(10.17, 1)
h = round(10.12, 1)
return a, b, c, d, e, f, g, h
a, b, c, d, e, f, g, h = func()
print("a: ", a)
print("b: ", b)
print("c: ", c)
print("d: ", d)
print("e: {:.2f}".format(e))
print("f: {:.2f}".format(f))
print("g: {:.2f}".format(g))
print("h: {:.2f}".format(h))
输出结果：
a: 10
b: 10
c: 11
d: 10
e: 10.00
f: 20.00
g: 10.20
h: 10.10
max
功能：返回最大值。
调用：max(*data)
入参： - *data – 若*data为单输入，则会比较单个输入内的各个元素，此时data必须为可迭代对象。若存在多个输入，则比较每个输入。data有效类型为int、float、bool、list、tuple、dict、Tensor以及第三方对象（例如numpy.ndarray）。
返回值：最大值。
代码用例如下：
import numpy as np
import mindspore as ms
from mindspore import ms_function
@ms_function
def func():
a = max([0, 1, 2, 3])
b = max((0, 1, 2, 3))
c = max({1: 10, 2: 20, 3: 3})
d = max(np.array([1, 2, 3, 4]))
e = max(('a', 'b', 'c'))
f = max((1, 2, 3), (1, 4))
g = max(ms.Tensor([1, 2, 3]))
return a, b, c, ms.Tensor(d), e, f, g
a, b, c, d, e, f, g = func()
print("a: ", a)
print("b: ", b)
print("c: ", c)
print("d: ", d)
print("e: ", e)
print("f: ", f)
print("g: ", g)
输出结果：
a: 3
b: 3
c: 3
d: 4
e: c
f: (1, 4)
g: 3
min
功能：返回最小值。
调用：min(*data)
入参： - *data – 若*data为单输入，则会比较单个输入内的各个元素，此时data必须为可迭代对象。若存在多个输入，则比较每个输入。data有效类型为int、float、bool、list、tuple、dict、Tensor以及第三方对象（例如numpy.ndarray）。
返回值：最小值。
代码用例如下：
import numpy as np
import mindspore as ms
from mindspore import ms_function
@ms_function
def func():
a = min([0, 1, 2, 3])
b = min((0, 1, 2, 3))
c = min({1: 10, 2: 20, 3: 3})
d = min(np.array([1, 2, 3, 4]))
e = min(('a', 'b', 'c'))
f = min((1, 2, 3), (1, 4))
g = min(ms.Tensor([1, 2, 3]))
return a, b, c, ms.Tensor(d), e, f, g
a, b, c, d, e, f, g = func()
print("a: ", a)
print("b: ", b)
print("c: ", c)
print("d: ", d)
print("e: ", e)
print("f: ", f)
print("g: ", g)
输出结果：
a: 0
b: 0
c: 1
d: 1
e: a
f: (1, 2, 3)
g: 1
sum
功能：对输入序列进行求和计算。
调用：sum(x, n=0)
入参：
x– 表示可迭代对象，有效类型为list、tuple、Tensor以及第三方对象（例如numpy.ndarray）。n– 表示指定相加的参数，缺省值为0。
返回值：对x求和后与n相加得到的值。
代码用例如下：
import numpy as np
import mindspore as ms
from mindspore import ms_function, Tensor
@ms_function
def func():
a = sum([0, 1, 2])
b = sum((0, 1, 2), 10)
c = sum(np.array([1, 2, 3]))
d = sum(Tensor([1, 2, 3]), 10)
e = sum(Tensor([[1, 2], [3, 4]]))
f = sum([1, Tensor([[1, 2], [3, 4]]), Tensor([[1, 2], [3, 4]])], Tensor([[1, 1], [1, 1]]))
return a, b, ms.Tensor(c), d, e, f
a, b, c, d, e, f = func()
print("a: ", a)
print("b: ", b)
print("c: ", c)
print("d: ", d)
print("e: ", e)
print("f: ", f)
输出结果：
a: 3
b: 13
c: 6
d: 16
e: [4 6]
f: [[ 4 6]
[ 8 10]]
abs
功能：返回绝对值，使用方法与python的abs()一致。
调用：abs(x)
入参： - x – 有效类型为int、float、bool、complex、Tensor以及第三方对象（例如numpy.ndarray）。
返回值：绝对值。
代码用例如下：
from mindspore import ms_function
@ms_function
def func():
a = abs(-45)
b = abs(100.12)
return a, b
a, b = func()
print("a: ", a)
print("b: {:.2f}".format(b))
输出结果：
a: 45
b: 100.12
partial
功能：偏函数，固定函数入参。
调用：partial(func, arg, ...)
入参：
func– 函数。arg– 一个或多个要固定的参数，支持位置参数和键值对传参。
返回值：返回某些入参固定了值的函数。
示例如下：
from mindspore import ms_function, ops
def add(x, y):
return x + y
@ms_function()
def test():
add_ = ops.partial(add, x=2)
m = add_(y=3)
n = add_(y=5)
return m, n
m, n = test()
print('m:{}'.format(m))
print('n:{}'.format(n))
结果如下：
m:5
n:7
map
功能：根据提供的函数对一个或者多个序列做映射，由映射的结果生成一个新的序列。 如果多个序列中的元素个数不一致，则生成的新序列与最短的那个长度相同。
调用：map(func, sequence, ...)
入参：
func– 函数。sequence– 一个或多个序列（Tuple或者List）。
返回值：返回一个Tuple。
示例如下：
from mindspore import ms_function
def add(x, y):
return x + y
@ms_function()
def test():
elements_a = (1, 2, 3)
elements_b = (4, 5, 6)
ret = map(add, elements_a, elements_b)
return ret
ret = test()
print('ret:{}'.format(ret))
结果如下：
ret: (5, 7, 9)
zip
功能：将多个序列中对应位置的元素打包成一个个元组，然后由这些元组组成一个新序列， 如果各个序列中的元素个数不一致，则生成的新序列与最短的那个长度相同。
调用：zip(sequence, ...)
入参：sequence – 一个或多个序列(Tuple或List)。
返回值：返回一个Tuple。
示例如下：
from mindspore import ms_function
@ms_function()
def test():
elements_a = (1, 2, 3)
elements_b = (4, 5, 6)
ret = zip(elements_a, elements_b)
return ret
ret = test()
print('ret:{}'.format(ret))
结果如下：
ret:((1, 4), (2, 5), (3, 6))
range
功能：根据起始值、结束值和步长创建一个Tuple。
调用：
range(start, stop, step)range(start, stop)range(stop)
入参：
start– 计数起始值，类型为int，默认为0。stop– 计数结束值，但不包括在内，类型为int。step– 步长，类型为int，默认为1。
返回值：返回一个Tuple。
示例如下：
from mindspore import ms_function
@ms_function()
def test():
x = range(0, 6, 2)
y = range(0, 5)
z = range(3)
return x, y, z
x, y, z = test()
print('x:{}'.format(x))
print('y:{}'.format(y))
print('z:{}'.format(z))
结果如下：
x:(0, 2, 4)
y:(0, 1, 2, 3, 4)
z:(0, 1, 2)
enumerate
功能：生成一个序列的索引序列，索引序列包含数据和对应下标。
调用：
enumerate(sequence, start)enumerate(sequence)
入参：
sequence– 一个序列（Tuple、List、Tensor）。start– 下标起始位置，类型为int，默认为0。
返回值：返回一个Tuple。
示例如下：
import mindspore as ms
from mindspore import ms_function
import numpy as np
y = ms.Tensor(np.array([[1, 2], [3, 4], [5, 6]]))
@ms_function()
def test():
x = (100, 200, 300, 400)
m = enumerate(x, 3)
n = enumerate(y)
return m, n
m, n = test()
print('m:{}'.format(m))
print('n:{}'.format(n))
结果如下：
m:((3, 100), (4, 200), (5, 300), (6, 400))
n:((0, Tensor(shape=[2], dtype=Int64, value= [1, 2])), (1, Tensor(shape=[2], dtype=Int64, value= [3, 4])), (2, Tensor(shape=[2], dtype=Int64, value= [5, 6])))
super
功能：用于调用父类(超类)的一个方法，一般在super之后调用父类的方法。
调用：
super().xxx()super(type, self).xxx()
入参：
type– 类。self– 对象。
返回值：返回父类的方法。
示例如下：
import mindspore as ms
from mindspore import nn, set_context
set_context(mode=ms.GRAPH_MODE)
class FatherNet(nn.Cell):
def __init__(self, x):
super(FatherNet, self).__init__(x)
self.x = x
def construct(self, x, y):
return self.x * x
def test_father(self, x):
return self.x + x
class SingleSubNet(FatherNet):
def __init__(self, x, z):
super(SingleSubNet, self).__init__(x)
self.z = z
def construct(self, x, y):
ret_father_construct = super().construct(x, y)
ret_father_test = super(SingleSubNet, self).test_father(x)
return ret_father_construct, ret_father_test
pow
功能：求幂。
调用：pow(x, y)
入参：
x– 底数，Number或Tensor。y– 幂指数，Number或Tensor。
返回值：返回x的y次幂，Number或Tensor。
示例如下：
import mindspore as ms
from mindspore import ms_function
import numpy as np
x = ms.Tensor(np.array([1, 2, 3]))
y = ms.Tensor(np.array([1, 2, 3]))
@ms_function()
def test(x, y):
return pow(x, y)
ret = test(x, y)
print('ret:{}'.format(ret))
结果如下：
ret:[ 1 4 27]
print
功能：用于打印。
调用：print(arg, ...)
入参：arg – 要打印的信息(int 、float、bool、String或Tensor)。
当打印的数据是int，float或者bool时，会将其包成一个0-D的tensor打印出来。
返回值：无返回值。
示例如下：
import mindspore as ms
from mindspore import ms_function
import numpy as np
x = ms.Tensor(np.array([1, 2, 3]), ms.int32)
y = ms.Tensor(3, ms.int32)
@ms_function()
def test(x, y):
print(x)
print(y)
return x, y
ret = test(x, y)
结果如下：
Tensor(shape=[3], dtype=Int32, value= [1 2 3])
3
filter
功能：根据提供的函数对一个序列的元素做判断，每个元素依次作为参数传入函数中，将返回结果不为0或False的元素组成新的序列。
调用：filter(func, sequence)
入参：
func– 函数。sequence– 序列（Tuple或List）。
返回值：返回一个Tuple。
示例如下：
from mindspore import ms_function
def is_odd(x):
if x % 2:
return True
return False
@ms_function()
def test():
elements = (1, 2, 3, 4, 5)
ret = filter(is_odd, elements)
return ret
ret = test()
print('ret:{}'.format(ret))
结果如下：
ret:(1, 3, 5)
函数参数
参数默认值：目前不支持默认值设为
Tensor类型数据，支持int、float、bool、None、str、tuple、list、dict类型数据。可变参数：支持带可变参数网络的推理和训练。
键值对参数：目前不支持带键值对参数的函数求反向。
可变键值对参数：目前不支持带可变键值对的函数求反向。
网络定义
网络入参
整网（最外层网络）入参仅支持bool、int、float、Tensor、None、mstype.number(mstype.bool_、mstype.int、mstype.float、mstype.uint)，以及只包含这些类型对象的list或者tuple，和value值是这些类型的Dictionary。
在对整网入参求梯度的时候，会忽略非Tensor的入参，只计算Tensor入参的梯度。例如整网入参(x, y, z)中，x和z是Tensor，y是非Tensor时，在对整网入参求梯度的时候，只会计算x和z的梯度，返回(grad_x, grad_z)。
如果网络里要使用其他类型，可在初始化网络的时候，传入该类型对象，作为网络属性保存起来，然后在construct里使用。
内层调用的网络入参无此限制。
示例如下：
import mindspore as ms
from mindspore import nn, ops, set_context
import numpy as np
set_context(mode=ms.GRAPH_MODE)
class Net(nn.Cell):
def __init__(self, flag):
super(Net, self).__init__()
self.flag = flag
def construct(self, x, y, z):
if self.flag == "ok":
return x + y + z
return x - y - z
class GradNet(nn.Cell):
def __init__(self, net):
super(GradNet, self).__init__()
self.grad_all = ops.GradOperation(get_all=True)
self.forward_net = net
def construct(self, x, y, z):
return self.grad_all(self.forward_net)(x, y, z)
flag = "ok"
input_x = ms.Tensor(np.ones((2, 3)).astype(np.float32))
input_y = 2
input_z = ms.Tensor(np.ones((2, 3)).astype(np.float32) * 2)
net = Net(flag)
grad_net = GradNet(net)
ret = grad_net(input_x, input_y, input_z)
print('ret:{}'.format(ret))
结果如下：
ret:(Tensor(shape=[2, 3], dtype=Float32, value=
[[ 1.00000000e+00, 1.00000000e+00, 1.00000000e+00],
[ 1.00000000e+00, 1.00000000e+00, 1.00000000e+00]]), Tensor(shape=[2, 3], dtype=Float32, value=
[[ 1.00000000e+00, 1.00000000e+00, 1.00000000e+00],
[ 1.00000000e+00, 1.00000000e+00, 1.00000000e+00]]))
上面定义的Net网络里，在初始化时传入一个string flag，作为网络的属性保存起来，然后在construct里使用self.flag这个属性。
整网入参x和z是Tensor，y是int数，grad_net在对整网入参(x, y, z)求梯度时，会自动忽略y的梯度，只计算x和z的梯度，ret = (grad_x, grad_z)。
网络实例类型
带@ms_function装饰器的普通Python函数。
继承自nn.Cell的Cell子类。
网络构造组件
类别 |
内容 |
|---|---|
|
mindspore/nn/*、自定义Cell。 |
|
Cell的construct中可以调用其他类成员函数。 |
|
使用@ms_class装饰的类。 |
|
|
|
|
|
使用@constexpr生成的值计算算子。 |
函数 |
自定义Python函数、前文中列举的系统函数。 |
网络使用约束
不允许修改网络的非
Parameter类型数据成员。示例如下：
import mindspore as ms from mindspore import nn, set_context import numpy as np set_context(mode=ms.GRAPH_MODE) class Net(nn.Cell): def __init__(self): super(Net, self).__init__() self.x = 2 self.par = ms.Parameter(ms.Tensor(np.ones((2, 3, 4))), name="par") def construct(self, x, y): self.par[0] = y self.x = x return x + y net = Net() net(1, 2)
上面所定义的网络里，
self.x不是一个Parameter，不允许被修改，而self.par是一个Parameter，可以被修改。结果报错如下：
TypeError: 'self.x' should be initialized as a 'Parameter' type in the '__init__' function
当
construct函数里，使用未定义的类成员时，不会像Python解释器那样抛出AttributeError，而是作为None处理。示例如下：
import mindspore as ms from mindspore import nn, set_context set_context(mode=ms.GRAPH_MODE) class Net(nn.Cell): def __init__(self): super(Net, self).__init__() def construct(self, x): return x + self.y net = Net() net(1)
上面所定义的网络里，
construct里使用了并未定义的类成员self.y，此时会将self.y作为None处理。结果报错如下：
RuntimeError: mindspore/ccsrc/frontend/operator/composite/multitype_funcgraph.cc:161 GenerateFromTypes] The 'add' operation does not support the type [Int64, kMetaTypeNone]