mindspore.amp.build_train_network
=================================

.. py:function:: mindspore.amp.build_train_network(network, optimizer, loss_fn=None, level='O0', boost_level='O0', **kwargs)

    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", "O1", "O2", "O3", "auto"]。默认值："O0"。

          - **"O0"** - 不变化。
          - **"O1"** - 白名单中的算子用float16计算，其余算子均用float32计算。其中，白名单中的算子如下列表：[Conv1d, Conv2d, Conv3d, Conv1dTranspose, Conv2dTranspose, Conv3dTranspose, Dense, LSTMCell, RNNCell, GRUCell, MatMul, BatchMatMul, PReLU, ReLU, Ger]
          - **"O2"** - 将网络精度转为float16， `BatchNorm`, `LayerNorm` 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 :class:`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` ）。