mindspore.nn.Cell

class mindspore.nn.Cell(auto_prefix=True, flags=None)

MindSpore中神经网络的基本构成单元。模型或神经网络层应当继承该基类。

mindspore.nn 中神经网络层也是Cell的子类，如 mindspore.nn.Conv2d、mindspore.nn.ReLU、 mindspore.nn.BatchNorm 等。Cell在GRAPH_MODE(静态图模式)下将编译为一张计算图，在PYNATIVE_MODE(动态图模式)下作为神经网络的基础模块。

参数：

• auto_prefix (bool) – 是否自动为Cell及其子Cell生成NameSpace。auto_prefix 的设置影响网络参数的命名，如果设置为True，则自动给网络参数的名称添加前缀，否则不添加前缀。默认值：True。

• flags (dict) - Cell的配置信息，目前用于绑定Cell和数据集。用户也通过该参数自定义Cell属性。默认值：None。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore.nn as nn
>>> import mindspore.ops as ops
>>> class MyCell(nn.Cell):
...     def __init__(self, forward_net):
...         super(MyCell, self).__init__(auto_prefix=False)
...         self.net = forward_net
...         self.relu = ops.ReLU()
...
...     def construct(self, x):
...         y = self.net(x)
...         return self.relu(y)
>>>
>>> inner_net = nn.Conv2d(120, 240, 4, has_bias=False, weight_init='normal')
>>> my_net = MyCell(inner_net)
>>> print(my_net.trainable_params())
... # If the 'auto_prefix' set to True or not set when call the '__init__' method of the parent class,
... # the parameter's name will be 'net.weight'.
[Parameter (name=weight, shape=(240, 120, 4, 4), dtype=Float32, requires_grad=True)]

add_flags(**flags)

为Cell添加自定义属性。

在实例化Cell类时，如果入参flags不为空，会调用此方法。

参数：

• flags (dict) - Cell的配置信息，目前用于绑定Cell和数据集。用户也通过该参数自定义Cell属性。默认值：None。

add_flags_recursive(**flags)

如果Cell含有多个子Cell，此方法会递归得给所有子Cell添加自定义属性。

参数：

• flags (dict) - Cell的配置信息，目前用于绑定Cell和数据集。用户也通过该参数自定义Cell属性。默认值：None。

auto_parallel_compile_and_run()

是否在‘AUTO_PARALLEL’或‘SEMI_AUTO_PARALLEL’模式下执行编译流程。

返回：

bool, _auto_parallel_compile_and_run 的值。

property bprop_debug

在图模式下使用，用于标识是否使用自定义的反向传播函数。

cast_inputs(inputs, dst_type)

将输入转换为指定类型。

参数：

• inputs (tuple[Tensor]) - 输入。

• dst_type (mindspore.dtype) - 指定的数据类型。

返回：

tuple[Tensor]类型，转换类型后的结果。

cast_param(param)

在PyNative模式下，根据自动混合精度的精度设置转换Cell中参数的类型。

该接口目前在自动混合精度场景下使用。

参数：

• param (Parameter) – 需要被转换类型的输入参数。

返回：

Parameter类型，转换类型后的参数。

cells()

返回当前Cell的子Cell的迭代器。

返回：

Iteration类型，Cell的子Cell。

cells_and_names(cells=None, name_prefix='')

递归地获取当前Cell及输入 cells 的所有子Cell的迭代器，包括Cell的名称及其本身。

参数：

• cells (str) – 需要进行迭代的Cell。默认值：None。

• name_prefix (str) – 作用域。默认值：’’。

返回：

Iteration类型，当前Cell及输入 cells 的所有子Cell和相对应的名称。

样例：

>>> from mindspore import nn
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.conv = nn.Conv2d(3, 64, 3)
...     def construct(self, x):
...         out = self.conv(x)
...         return out
>>> names = []
>>> n = Net()
>>> for m in n.cells_and_names():
...     if m[0]:
...         names.append(m[0])

check_names()

检查Cell中的网络参数名称是否重复。

set_inputs(*inputs)

设置编译计算图所需的输入，输入需与实例中定义的输入一致。

参数：

• inputs (tuple) – Cell的输入。

Note

这是一个实验接口，可能会被更改或者删除。

样例：

>>> import numpy as np
>>> import mindspore as ms
>>> from mindspore import nn, Tensor, context
>>>
>>> context.set_context(mode=context.GRAPH_MODE, device_target="Ascend")
>>> class reluNet(nn.Cell):
...     def __init__(self):
...         super(reluNet, self).__init__()
...         self.relu = nn.ReLU()
...     def construct(self, x):
...         return self.relu(x)
>>>
>>> net = reluNet()
>>> input_dyn = Tensor(shape=[3, None], dtype=ms.float32)
>>> net.set_inputs(input_dyn)
>>> input1 = Tensor(np.random.random([3, 10]), dtype=ms.float32)
>>> output = net(input1)

compile(*inputs)

编译Cell为计算图，输入需与construct中定义的输入一致。

参数：

• inputs (tuple) – Cell的输入。

compile_and_run(*inputs)

编译并运行Cell，输入需与construct中定义的输入一致。

Note

不推荐使用该函数，建议直接调用Cell实例。

参数：

• inputs (tuple) – Cell的输入。

返回：

Object类型，执行的结果。

construct(*inputs, **kwargs)

定义要执行的计算逻辑。所有子类都必须重写此方法。

Note

当前不支持inputs同时输入tuple类型和非tuple类型。

参数：

• inputs – 可变参数列表，默认值：()。

• kwargs – 可变的关键字参数的字典，默认值：{}。

返回：

Tensor类型，返回计算结果。

exec_checkpoint_graph()

保存checkpoint图。

extend_repr()

在原有描述基础上扩展Cell的描述。

若需要在print时输出个性化的扩展信息，请在您的网络中重新实现此方法。

generate_scope()

为网络中的每个Cell对象生成NameSpace。

get_flags()

获取该Cell的自定义属性。自定义属性通过 add_flags 方法添加。

get_func_graph_proto()

返回图的二进制原型。

get_parameters(expand=True)

返回Cell中parameter的迭代器。

参数：

• expand (bool) – 如果为True，则递归地获取当前Cell和所有子Cell的parameter。否则，只生成当前Cell的子Cell的parameter。默认值：True。

返回：

Iteration类型，Cell的parameter。

样例：

>>> from mindspore import nn
>>> net = nn.Dense(3, 4)
>>> parameters = []
>>> for item in net.get_parameters():
...     parameters.append(item)

get_scope()

返回Cell的作用域。

返回：

String类型，网络的作用域。

get_inputs()

返回编译计算图所设置的输入。

返回：

Tuple类型，编译计算图所设置的输入。

Note

这是一个实验接口，可能会被更改或者删除。

infer_param_pipeline_stage()

推导Cell中当前 pipeline_stage 的参数。

Note

• 如果某参数不属于任何已被设置 pipeline_stage 的Cell，此参数应使用 add_pipeline_stage 方法来添加它的 pipeline_stage 信息。

• 如果某参数P被stageA和stageB两个不同stage的算子使用，那么参数P在使用 infer_param_pipeline_stage 之前，应使用 P.add_pipeline_stage(stageA) 和 P.add_pipeline_stage(stageB) 添加它的stage信息。

返回：

属于当前 pipeline_stage 的参数。

异常：

• RuntimeError – 如果参数不属于任何stage。

init_parameters_data(auto_parallel_mode=False)

初始化并替换Cell中所有的parameter的值。

Note

在调用 init_parameters_data 后，trainable_params() 或其他相似的接口可能返回不同的参数对象，不要保存这些结果。

参数：

• auto_parallel_mode (bool) – 是否在自动并行模式下执行。 默认值：False。

返回：

Dict[Parameter, Parameter], 返回一个原始参数和替换参数的字典。

insert_child_to_cell(child_name, child_cell)

将一个给定名称的子Cell添加到当前Cell。

参数：

• child_name (str) – 子Cell名称。

• child_cell (Cell) – 要插入的子Cell。

异常：

• KeyError – 如果子Cell的名称不正确或与其他子Cell名称重复。

• TypeError – 如果子Cell的类型不正确。

insert_param_to_cell(param_name, param, check_name_contain_dot=True)

向当前Cell添加参数。

将指定名称的参数添加到Cell中。目前在 mindspore.nn.Cell.__setattr__ 中使用。

参数：

• param_name (str) – 参数名称。

• param (Parameter) – 要插入到Cell的参数。

• check_name_contain_dot (bool) – 是否对 param_name 中的”.”进行检查。默认值：True。

异常：

• KeyError – 如果参数名称为空或包含”.”。

• TypeError – 如果参数的类型不是Parameter。

load_parameter_slice(params)

根据并行策略获取Tensor分片并替换原始参数。

请参考 mindspore.common._Executor.compile 源代码中的用法。

参数：

params (dict) – 用于初始化数据图的参数字典。

name_cells()

递归地获取一个Cell中所有子Cell的迭代器。

包括Cell名称和Cell本身。

返回：

Dict[String, Cell]，Cell中的所有子Cell及其名称。

property param_prefix

当前Cell的子Cell的参数名前缀。

property parameter_layout_dict

parameter_layout_dict 表示一个参数的张量layout，这种张量layout是由分片策略和分布式算子信息推断出来的。

parameters_and_names(name_prefix='', expand=True)

返回Cell中parameter的迭代器。

包含参数名称和参数本身。

参数：

• name_prefix (str): 作用域。默认值： ‘’。

• expand (bool): 如果为True，则递归地获取当前Cell和所有子Cell的参数及名称；如果为False，只生成当前Cell的子Cell的参数及名称。默认值：True。

返回：

迭代器，Cell的名称和Cell本身。

样例：

>>> from mindspore import nn
>>> n = nn.Dense(3, 4)
>>> names = []
>>> for m in n.parameters_and_names():
...     if m[0]:
...         names.append(m[0])

parameters_broadcast_dict(recurse=True)

获取这个Cell的参数广播字典。

参数：

• recurse (bool): 是否包含子Cell的参数。 默认: True。

返回：

OrderedDict, 返回参数广播字典。

parameters_dict(recurse=True)

获取此Cell的parameter字典。

参数：

• recurse (bool) – 是否递归得包含所有子Cell的parameter。默认值：True。

返回：

OrderedDict类型，返回参数字典。

recompute(**kwargs)

设置Cell重计算。Cell中输出算子以外的所有算子将被设置为重计算。如果一个算子的计算结果被输出到一些反向节点来进行梯度计算，且被设置成重计算，那么我们会在反向传播中重新计算它，而不去存储在前向传播中的中间激活层的计算结果。

Note

• 如果计算涉及到诸如随机化或全局变量之类的操作，那么目前还不能保证等价。

• 如果该Cell中算子的重计算API也被调用，则该算子的重计算模式以算子的重计算API的设置为准。

• 该接口仅配置一次，即当父Cell配置了，子Cell不需再配置。

• Cell的输出算子默认不做重计算，这一点是基于我们减少内存占用的配置经验。如果一个Cell里面只有一个算子而且想要把这个算子设置为重计算的，那么请使用算子的重计算API。

• 当应用了重计算且内存充足时，可以配置’mp_comm_recompute=False’来提升性能。

• 当应用了重计算但内存不足时，可以配置’parallel_optimizer_comm_recompute=True’来节省内存。有相同融合group的Cell应该配置相同的parallel_optimizer_comm_recompute。

参数：

• mp_comm_recompute (bool) – 表示在自动并行或半自动并行模式下，指定Cell内部由模型并行引入的通信操作是否重计算。默认值：True。

• parallel_optimizer_comm_recompute (bool) – 表示在自动并行或半自动并行模式下，指定Cell内部由优化器并行引入的AllGather通信是否重计算。默认值：False。

register_forward_pre_hook(hook_fn)

设置Cell对象的正向pre_hook函数。

Note

• register_forward_pre_hook(hook_fn) 在图模式下，或者在PyNative模式下使用 ms_function 功能时不起作用。

• hook_fn必须有如下代码定义。 cell_id 是已注册Cell对象的信息，包括名称和ID。 inputs 是网络正向传播时Cell对象的输入数据。用户可以在hook_fn中打印输入数据或者返回新的输入数据。

• hook_fn返回新的输入数据或者None：hook_fn(cell_id, inputs) -> New inputs or None。

• 为了避免脚本在切换到图模式时运行失败，不建议在Cell对象的 construct 函数中调用 register_forward_pre_hook(hook_fn) 。

• PyNative模式下，如果在Cell对象的 construct 函数中调用 register_forward_pre_hook(hook_fn) ，那么Cell对象每次运行都将增加一个 hook_fn 。

参数：

• hook_fn (function) – 捕获Cell对象信息和正向输入数据的hook_fn函数。

返回：

mindspore.common.hook_handle.HookHandle 类型，与 hook_fn 函数对应的 handle 对象。可通过调用 handle.remove() 来删除添加的 hook_fn 函数。

异常：

• TypeError – 如果 hook_fn 不是Python函数。

样例：

>>> import numpy as np
>>> import mindspore
>>> import mindspore.nn as nn
>>> from mindspore import Tensor
>>> from mindspore import context
>>> from mindspore.ops import GradOperation
>>> context.set_context(mode=context.PYNATIVE_MODE)
>>> def forward_pre_hook_fn(cell_id, inputs):
...     print("forward inputs: ", inputs)
...
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.mul = nn.MatMul()
...         self.handle = self.mul.register_forward_pre_hook(forward_pre_hook_fn)
...
...     def construct(self, x, y):
...         x = x + x
...         x = self.mul(x, y)
...         return x
>>> grad = GradOperation(get_all=True)
>>> net = Net()
>>> output = grad(net)(Tensor(np.ones([1]).astype(np.float32)), Tensor(np.ones([1]).astype(np.float32)))
forward inputs: (Tensor(shape=[1], dtype=Float32, value= [ 2.00000000e+00]), Tensor(shape=[1],
                dtype=Float32, value= [ 1.00000000e+00]))
>>> print(output)
(Tensor(shape=[1], dtype=Float32, value= [ 2.00000000e+00]), Tensor(shape=[1], dtype=Float32,
value= [ 2.00000000e+00]))

register_forward_hook(hook_fn)

设置Cell对象的正向hook函数。

Note

• register_forward_hook(hook_fn) 在图模式下，或者在PyNative模式下使用 ms_function 功能时不起作用。

• hook_fn必须有如下代码定义。 cell_id 是已注册Cell对象的信息，包括名称和ID。 inputs 是网络正向传播时Cell对象的输入数据。 outputs 是网络正向传播时Cell对象的输出数据。用户可以在hook_fn中打印数据或者返回新的输出数据。

• hook_fn返回新的输出数据或者None：hook_fn(cell_id, inputs, outputs) -> New outputs or None。

• 为了避免脚本在切换到图模式时运行失败，不建议在Cell对象的 construct 函数中调用 register_forward_hook(hook_fn) 。

• PyNative模式下，如果在Cell对象的 construct 函数中调用 register_forward_hook(hook_fn) ，那么Cell对象每次运行都将增加一个 hook_fn 。

参数：

• hook_fn (function) – 捕获Cell对象信息和正向输入，输出数据的hook_fn函数。

返回：

mindspore.common.hook_handle.HookHandle 类型，与 hook_fn 函数对应的 handle 对象。可通过调用 handle.remove() 来删除添加的 hook_fn 函数。

异常：

• TypeError – 如果 hook_fn 不是Python函数。

样例：

>>> import numpy as np
>>> import mindspore
>>> import mindspore.nn as nn
>>> from mindspore import Tensor
>>> from mindspore import context
>>> from mindspore.ops import GradOperation
>>> context.set_context(mode=context.PYNATIVE_MODE)
>>> def forward_hook_fn(cell_id, inputs, output):
...     print("forward inputs: ", inputs)
...     print("forward output: ", output)
...
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.mul = nn.MatMul()
...         self.handle = self.mul.register_forward_hook(forward_hook_fn)
...
...     def construct(self, x, y):
...         x = x + x
...         x = self.mul(x, y)
...         return x
>>> grad = GradOperation(get_all=True)
>>> net = Net()
>>> output = grad(net)(Tensor(np.ones([1]).astype(np.float32)), Tensor(np.ones([1]).astype(np.float32)))
forward inputs: (Tensor(shape=[1], dtype=Float32, value= [ 2.00000000e+00]), Tensor(shape=[1],
                dtype=Float32, value= [ 1.00000000e+00]))
forward output: 2.0
>>> print(output)
(Tensor(shape=[1], dtype=Float32, value= [ 2.00000000e+00]), Tensor(shape=[1], dtype=Float32,
value= [ 2.00000000e+00]))

register_backward_hook(hook_fn)

设置Cell对象的反向hook函数。

Note

• register_backward_hook(hook_fn) 在图模式下，或者在PyNative模式下使用 ms_function 功能时不起作用。

• hook_fn必须有如下代码定义。 cell_id 是已注册Cell对象的信息，包括名称和ID。 grad_input 是反向传递给Cell对象的梯度。 grad_output 是Cell对象的反向输出梯度。用户可以在hook_fn中打印梯度数据或者返回新的输出梯度。

• hook_fn返回新的输出梯度或者None：hook_fn(cell_id, grad_input, grad_output) -> New grad_output or None。

• 为了避免脚本在切换到图模式时运行失败，不建议在Cell对象的 construct 函数中调用 register_backward_hook(hook_fn) 。

• PyNative模式下，如果在Cell对象的 construct 函数中调用 register_backward_hook(hook_fn) ，那么Cell对象每次运行都将增加一个 hook_fn 。

参数：

• hook_fn (function) – 捕获Cell对象信息和反向输入，输出梯度的hook_fn函数。

返回：

mindspore.common.hook_handle.HookHandle 类型，与 hook_fn 函数对应的 handle 对象。可通过调用 handle.remove() 来删除添加的 hook_fn 函数。

异常：

• TypeError – 如果 hook_fn 不是Python函数。

样例：

>>> import numpy as np
>>> import mindspore
>>> import mindspore.nn as nn
>>> from mindspore import Tensor
>>> from mindspore import context
>>> from mindspore.ops import GradOperation
>>> context.set_context(mode=context.PYNATIVE_MODE)
>>> def backward_hook_fn(cell_id, grad_input, grad_output):
...     print("backward input: ", grad_input)
...     print("backward output: ", grad_output)
...
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.relu = nn.ReLU()
...         self.handle = self.relu.register_backward_hook(backward_hook_fn)
...
...     def construct(self, x):
...         x = x + x
...         x = self.relu(x)
...         return x
>>> grad = GradOperation(get_all=True)
>>> net = Net()
>>> output = grad(net)(Tensor(np.ones([1]).astype(np.float32)))
backward input: (Tensor(shape=[1], dtype=Float32, value= [ 1.00000000e+00]),)
backward output: (Tensor(shape=[1], dtype=Float32, value= [ 1.00000000e+00]),)
>>> print(output)
(Tensor(shape=[1], dtype=Float32, value= [ 2.00000000e+00]),)

remove_redundant_parameters()

删除冗余参数。

这个接口通常不需要显式调用。

run_construct(cast_inputs, kwargs)

运行construct方法。

Note

• 该函数已经弃用，将会在未来版本中删除，不推荐使用此函数。

参数：

• cast_inputs (tuple) – Cell的输入。

• kwargs (dict) – 关键字参数。

返回：

Cell的输出。

set_auto_parallel()

将Cell设置为自动并行模式。

Note

如果一个Cell需要使用自动并行或半自动并行模式来进行训练、评估或预测，则该Cell需要调用此接口。

set_comm_fusion(fusion_type, recurse=True)

为Cell中的参数设置融合类型。请参考 mindspore.Parameter.comm_fusion 的描述。

Note

当函数被多次调用时，此属性值将被重写。

参数：

• fusion_type (int) – Parameter的 comm_fusion 属性的设置值。

• recurse (bool) – 是否递归地设置子Cell的可训练参数。默认值：True。

set_broadcast_flag(mode=True)

设置该Cell的参数广播模式。

参数：

• mode (bool) – 指定当前模式是否进行参数广播。默认值：True。

set_data_parallel()

递归设置该Cell中的所有算子的并行策略为数据并行。

Note

仅在图模式、全自动并行(AUTO_PARALLEL)模式下生效。

样例：

>>> import mindspore.nn as nn
>>> net = nn.Dense(3, 4)
>>> net.set_data_parallel()

shard(in_strategy, out_strategy, device='Ascend', level=0)

指定输入/输出Tensor的分布策略，其余算子的策略推导得到。在PyNative模式下，可以利用此方法指定某个Cell以图模式进行分布式执行。 in_strategy/out_strategy需要为元组类型， 其中的每一个元素指定对应的输入/输出的Tensor分布策略，可参考： mindspore.ops.Primitive.shard 的描述，也可以设置为None，会默认以数据并行执行。 其余算子的并行策略由输入输出指定的策略推导得到。

Note

需设置为PyNative模式，并且全自动并行(AUTO_PARALLEL)，同时设置 set_auto_parallel_context 中的搜索模式(search mode)为”sharding_propagation”。

参数：

• in_strategy (tuple) – 指定各输入的切分策略，输入元组的每个元素可以为元组或None，元组即具体指定输入每一维的切分策略，None则会默认以数据并行执行。

• out_strategy (tuple) – 指定各输出的切分策略，用法同in_strategy。

• device (string) - 指定执行设备，可以为[“CPU”, “GPU”, “Ascend”]中任意一个，默认值：”Ascend”。目前尚未使能。

• level (int) - 指定搜索切分策略的目标函数，即是最大化计算通信比、最小化内存消耗、最大化执行速度等。可以为[0, 1, 2]中任意一个，默认值：0。目前仅支持 最大化计算通信比，其余模式尚未使能。

返回：

Cell类型，Cell本身。

样例：

>>> import mindspore.nn as nn
>>>
>>> class Block(nn.Cell):
...   def __init__(self):
...     self.dense1 = nn.Dense(10, 10)
...     self.relu = nn.ReLU()
...     self.dense2 = nn.Dense2(10, 10)
...   def construct(self, x):
...     x = self.relu(self.dense2(self.relu(self.dense1(x))))
...     return x
>>>
>>> class example(nn.Cell):
...   def __init__(self):
...     self.block1 = Block()
...     self.block2 = Block()
...     self.block2.shard(in_strategy=((2, 1),), out_strategy=(None,))
...   def construct(self, x):
...     x = self.block1(x)
...     x = self.block2(x)
...     return x

auto_cast_inputs(inputs)

在混合精度下，自动对输入进行类型转换。

参数：

inputs (tuple) – construct方法的输入。

返回：

Tuple类型，经过类型转换后的输入。

set_grad(requires_grad=True)

Cell的梯度设置。在PyNative模式下，该参数指定Cell是否需要梯度。如果为True，则在执行正向网络时，将生成需要计算梯度的反向网络。

参数：

• requires_grad (bool) – 指定网络是否需要梯度，如果为True，PyNative模式下Cell将构建反向网络。默认值：True。

返回：

Cell类型，Cell本身。

set_parallel_input_with_inputs(*inputs)

通过并行策略对输入张量进行切分。

参数：

inputs (tuple) – construct方法的输入。

set_param_fl(push_to_server=False, pull_from_server=False, requires_aggr=True)

设置参数与服务器交互的方式。

参数：

• push_to_server (bool) – 是否将参数推送到服务器。默认值：False。

• pull_from_server (bool) – 是否从服务器提取参数。默认值：False。

• requires_aggr (bool) – 是否在服务器中聚合参数。默认值：True。

set_param_ps(recurse=True, init_in_server=False)

设置可训练参数是否由参数服务器更新，以及是否在服务器上初始化可训练参数。

Note

只在运行的任务处于参数服务器模式时有效。

参数：

• recurse (bool) – 是否设置子网络的可训练参数。默认值：True。

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

set_train(mode=True)

将Cell设置为训练模式。

设置当前Cell和所有子Cell的训练模式。对于训练和预测具有不同结构的网络层(如 BatchNorm)，将通过这个属性区分分支。如果设置为True，则执行训练分支，否则执行另一个分支。

参数：

• mode (bool) – 指定模型是否为训练模式。默认值：True。

返回：

Cell类型，Cell本身。

to_float(dst_type)

在Cell和所有子Cell的输入上添加类型转换，以使用特定的浮点类型运行。

如果 dst_type 是 mindspore.dtype.float16 ，Cell的所有输入(包括作为常量的input， Parameter， Tensor)都会被转换为float16。请参考 mindspore.build_train_network 的源代码中的用法。

Note

多次调用将产生覆盖。

参数：

• dst_type (mindspore.dtype) – Cell转换为 dst_type 类型运行。 dst_type 可以是 mindspore.dtype.float16 或者 mindspore.dtype.float32 。

返回：

Cell类型，Cell本身。

异常：

• ValueError – 如果 dst_type 不是 mindspore.dtype.float32 ，也不是 mindspore.dtype.float16。

样例：

>>> import mindspore.nn as nn
>>> from mindspore import dtype as mstype
>>>
>>> net = nn.Conv2d(120, 240, 4, has_bias=False, weight_init='normal')
>>> net.to_float(mstype.float16)

set_boost(boost_type)

为了提升网络性能，可以配置boost内的算法让框架自动使能该算法来加速网络训练。

请确保 boost_type 所选择的算法在 algorithm library 算法库中。

Note

部分加速算法可能影响网络精度，请谨慎选择。

参数：

• boost_type (str) – 加速算法。

返回：

Cell类型，Cell本身。

异常：

• ValueError – 如果 boost_type 不在boost算法库内。

trainable_params(recurse=True)

返回Cell的可训练参数。

返回一个可训练参数的列表。

参数：

• recurse (bool) – 是否递归地包含当前Cell的所有子Cell的可训练参数。默认值：True。

返回：

List类型，可训练参数列表。

untrainable_params(recurse=True)

返回Cell的不可训练参数。

返回一个不可训练参数的列表。

参数：

• recurse (bool) – 是否递归地包含当前Cell的所有子Cell的不可训练参数。默认值：True。

返回：

List类型，不可训练参数列表。

update_cell_prefix()

递归地更新所有子Cell的 param_prefix 。

在调用此方法后，可以通过Cell的 param_prefix 属性获取该Cell的所有子Cell的名称前缀。

update_cell_type(cell_type)

量化感知训练网络场景下，更新当前Cell的类型。

此方法将Cell类型设置为 cell_type 。

参数：

• cell_type (str) – 被更新的类型，cell_type 可以是”quant”或”second-order”。

update_parameters_name(prefix='', recurse=True)

给网络参数名称添加 prefix 前缀字符串。

参数：

• prefix (str) – 前缀字符串。默认值：’’。

• recurse (bool) – 是否递归地包含所有子Cell的参数。默认值：True。