mindspore.ops.Abs |
无 |
mindspore.ops.ACos |
无 |
mindspore.ops.Acosh |
无 |
mindspore.ops.Add |
无 |
mindspore.ops.AddN |
无 |
mindspore.ops.ApproximateEqual |
无 |
mindspore.ops.ArgMaxWithValue |
输入在轴（axis）的维度进行切分时，分布式结果可能会和单机不一致 |
mindspore.ops.ArgMinWithValue |
输入在轴（axis）的维度进行切分时，分布式结果可能会和单机不一致 |
mindspore.ops.Asin |
无 |
mindspore.ops.Asinh |
无 |
mindspore.ops.Assign |
无 |
mindspore.ops.AssignAdd |
无 |
mindspore.ops.AssignSub |
无 |
mindspore.ops.Atan |
无 |
mindspore.ops.Atan2 |
无 |
mindspore.ops.Atanh |
无 |
mindspore.ops.AvgPool |
1. 数据格式只支持‘NCHW’；
2. 输出的H/W维的shape必须能被输入的H/W维的切分策略整除；
3. 如果切分H/W：
1) 当kernel_size <= stride时，输入切片大小需能被stride整除；
2) 不支持kernel_size > stride；
4. 在auto_parallel模式下，不支持双递归算法。 |
mindspore.ops.BatchMatMul |
不支持transpose_a=True |
mindspore.ops.BatchNorm |
不支持GPU |
mindspore.ops.BesselI0e |
无 |
mindspore.ops.BesselI1e |
无 |
mindspore.ops.BiasAdd |
无 |
mindspore.ops.BitwiseAnd |
无 |
mindspore.ops.BitwiseOr |
无 |
mindspore.ops.BitwiseXor |
无 |
mindspore.ops.BoundingBoxEncode |
1. 支持对输入（anchor_box）和输入（groundtruth_box）的第一维进行切分；
2. 输入（anchor_box）和输入（groundtruth_box）的切分策略必须一致 |
mindspore.ops.BroadcastTo |
无 |
mindspore.ops.Cast |
Auto Parallel和Semi Auto Parallel模式下，配置策略不生效 |
mindspore.ops.Cdist |
1. 当两输入都含有Batch维时，这一维的切分策略必须相等;
2.M维度不支持切分 |
mindspore.ops.Ceil |
无 |
mindspore.ops.Concat |
输入（input_x）在轴（axis）所对应的维度不能切分，切分后，在数学逻辑上和单机不等价 |
mindspore.ops.Conv2D |
1. 数据格式只支持‘NCHW’；
2. 如果涉及相邻节点数据交换，只支持Ascend；
3. 当group的值不为1时，不支持切分C-in/C-out；
4. weight的后两维不支持切分；
5. 输出的H/W维的shape必须能被输入的H/W维的切分策略整除；
6. valid模式下：如果切分H/W：
1) 当kernel_size <= stride时（其中kernel_size=dilation (kernel_size - 1) + 1，下同），输入切片大小需能被stride整除；
2) 不支持kernel_size > stride；
7. same/pad模式下：如果切分H/W：
1) （包含pad的输入总长度 - kernel_size）需能被stride整除；
2)（ 输出总长度stride - 输入总长度）需能被切分策略整除：
3）相邻卡间发送接收的数据长度需大于等于0且小于等于切片大小； |
mindspore.ops.Cos |
无 |
mindspore.ops.Cosh |
无 |
mindspore.ops.CropAndResize |
1. 不支持对输入（x）的H/W维和输入（boxes）的第二维进行切分；
2. 输入（boxes）和输入（box_index）第一维的切分策略必须一致 |
mindspore.ops.CumProd |
不支持axis维切分 |
mindspore.ops.CumSum |
不支持axis维切分 |
mindspore.ops.Div |
无 |
mindspore.ops.DivNoNan |
无 |
mindspore.ops.Dropout |
无 |
mindspore.ops.Elu |
无 |
mindspore.ops.EmbeddingLookup |
同Gather |
mindspore.ops.Equal |
无 |
mindspore.ops.Erf |
无 |
mindspore.ops.Erfc |
无 |
mindspore.ops.Erfinv |
无 |
mindspore.ops.Exp |
无 |
mindspore.ops.ExpandDims |
无 |
mindspore.ops.Expm1 |
无 |
mindspore.ops.Floor |
无 |
mindspore.ops.FloorDiv |
无 |
mindspore.ops.FloorMod |
无 |
mindspore.ops.Gamma |
1. shape为tuple，但可以对shape进行切分，如shape=(8, 16)，对应的策略可以为(2, 4);
2. alpha和beta对应的策略必须为全1;
3. 当shape切分策略不为全1时，结果和单卡不一致 |
mindspore.ops.Gather |
1. 均匀切分时：
1）仅支持一维和二维的input_params，并且input_params的切片的最后一维要32字节对齐（出于性能考虑）；
2）不支持标量input_indices；
3）参数在轴（axis）所在维度切分时，不支持重复计算；
4）不支持input_indices和input_params同时进行切分；
5）axis=0且参数在轴（axis）所在维度切分时，支持配置输出切分策略，合法的输出切分策略为(indices_strategy, param_strategy[1:]) 或 ((indices_strategy[0]*param_strategy[0], indices_strategy[1:]), param_strategy[1:])
2. 非均匀切分时：
1）axis仅支持为0；
2）非均匀切分仅表示对input_params的第零维非均匀切分，并且input_params的切片的最后一维要32字节对齐；
3）对input_params第零维的切分份数要等于对input_indices最后一维的切分份数；
4）input_params的每个维度都能切分，但input_indices只能切分最后一维，且不支持重复计算；
5）input_indices需满足：后一个切片的Tensor值需大于前一个分片的Tensor值。 |
mindspore.ops.GatherD |
dim所对应的维度不能切分；在auto_parallel模式下，不支持双递归算法。 |
mindspore.ops.GatherNd |
第一个输入不能切分，第二个输入的最后一维不能切分；在auto_parallel模式下，不支持双递归算法。 |
mindspore.ops.GeLU |
无 |
mindspore.ops.Greater |
无 |
mindspore.ops.GreaterEqual |
无 |
mindspore.ops.HShrink |
无 |
mindspore.ops.HSigmoid |
无 |
mindspore.ops.InplaceAdd |
不支持对x和input_v的第一维切分 |
mindspore.ops.InplaceSub |
同InplaceAdd |
mindspore.ops.InplaceUpdate |
同InplaceAdd |
mindspore.ops.Inv |
无 |
mindspore.ops.IOU |
支持对anchor_boxes和gt_boxes的第一维切分 |
mindspore.ops.IsFinite |
无 |
mindspore.ops.KLDivLoss |
无 |
mindspore.ops.L2Loss |
无 |
mindspore.ops.L2Normalize |
输入（input_x）在轴（axis）对应的维度不能切，切分后，在数学逻辑上和单机不等价 |
mindspore.ops.Lerp |
无 |
mindspore.ops.Less |
无 |
mindspore.ops.LessEqual |
无 |
mindspore.ops.LinSpace |
不需要为start和end配置策略，只需要传入一个长度为1的策略，其数值能整除num ｜ |
mindspore.ops.LogicalAnd |
无 |
mindspore.ops.LogicalNot |
无 |
mindspore.ops.LogicalOr |
无 |
mindspore.ops.Log |
无 |
mindspore.ops.Log1p |
无 |
mindspore.ops.LogSoftmax |
输入（logits）在轴（axis）对应的维度不可切分，切分后，在数学逻辑上和单机不等价 |
mindspore.ops.MaskedFill |
无 |
mindspore.ops.MatMul |
1. 不支持transpose_a=True；
2. 当transpose_b=True时，输入的切分策略需是 ((A, B), (C, B)) 的形式
3. 当transpose_b=False时，输入的切分策略需是 ((A, B), (B, C)) 的形式；
4. 支持设置输出切分策略，合法的输出切分策略为 ((A, C),) 或 ((A * B, C),) 。 |
mindspore.ops.Maximum |
无 |
mindspore.ops.MaxPool |
1. 数据格式只支持‘NCHW’；
2. 输出的H/W维的shape必须能被输入的H/W维的切分策略整除；
3. 如果切分H/W：
1) 当kernel_size <= stride时，输入切片大小需能被stride整除；
2) 不支持kernel_size > stride；
4. 在auto_parallel模式下，不支持双递归算法。 |
mindspore.ops.Minimum |
无 |
mindspore.ops.Mish |
无 |
mindspore.ops.Mod |
无 |
mindspore.ops.Mul |
无 |
mindspore.ops.MulNoNan |
无 |
mindspore.ops.Neg |
无 |
mindspore.ops.NotEqual |
无 |
mindspore.ops.OneHot |
仅支持输入（indices）是一维的Tensor，切分策略要配置输出的切分策略，以及第1和第2个输入的切分策略 |
mindspore.ops.OnesLike |
无 |
mindspore.ops.Pow |
无 |
mindspore.ops.PReLU |
weight的shape在非[1]的情况下，输入（input_x）的Channel维要和weight的切分方式一致 |
mindspore.ops.RandomChoiceWithMask |
不支持切分，仅支持全1策略 |
mindspore.ops.RealDiv |
无 |
mindspore.ops.Reciprocal |
无 |
mindspore.ops.ReduceMax |
输入在轴（axis）的维度进行切分时，分布式结果可能会和单机不一致 |
mindspore.ops.ReduceMin |
输入在轴（axis）的维度进行切分时，分布式结果可能会和单机不一致 |
mindspore.ops.ReduceSum |
无 |
mindspore.ops.ReduceMean |
无 |
mindspore.ops.ReLU |
无 |
mindspore.ops.ReLU6 |
无 |
mindspore.ops.Reshape |
不支持配置切分策略，并且，在自动并行模式下，当reshape API后接有多个API，不允许对这些API配置不同的切分策略 |
mindspore.ops.ResizeBilinear |
在GPU平台下，不支持H/W维切分；在Ascend平台下，不支持H维切分，且W维的输出shape要能被切分数整除。 |
mindspore.ops.ResizeNearestNeighbor |
在align_corners=True时只支持切分第一维和第二维。 |
mindspore.ops.Rint |
无 |
mindspore.ops.ROIAlign |
不支持对输入（features）的H/W维和输入（rois）的第二维进行切分 |
mindspore.ops.Round |
无 |
mindspore.ops.Rsqrt |
无 |
mindspore.ops.ScatterUpdate |
第一个输入的第一维不能切分，第二个输入不能切分，第三个输入的前n维（n为第二个输入的维度）不能切分；在auto_parallel模式下，不支持双递归算法。 |
mindspore.ops.Select |
在auto_parallel模式下，不支持双递归算法。 |
mindspore.ops.SeLU |
无 |
mindspore.ops.Sigmoid |
无 |
mindspore.ops.SigmoidCrossEntropyWithLogits |
无 |
mindspore.ops.Sign |
无 |
mindspore.ops.Sin |
无 |
mindspore.ops.Sinh |
无 |
mindspore.ops.Softmax |
输入（logits）在轴（axis）对应的维度不可切分，切分后，在数学逻辑上和单机不等价 |
mindspore.ops.SoftmaxCrossEntropyWithLogits |
输入（logits、labels）的最后一维不能切分；有两个输出，正向的loss只支持取[0] |
mindspore.ops.Softplus |
无 |
mindspore.ops.Softsign |
无 |
mindspore.ops.SoftShrink |
无 |
mindspore.ops.SparseGatherV2 |
同Gather |
mindspore.ops.Split |
轴（axis）所对应的维度不能切分，切分后，在数学逻辑上和单机不等价 |
mindspore.ops.Sqrt |
无 |
mindspore.ops.Square |
无 |
mindspore.ops.SquaredDifference |
无 |
mindspore.ops.Squeeze |
无 |
mindspore.ops.Stack |
无 |
mindspore.ops.StridedSlice |
仅支持值为全0的mask；需要切分的维度必须全部提取；输入在strides不为1对应的维度不支持切分 |
mindspore.ops.Slice |
需要切分的维度必须全部提取 |
mindspore.ops.Sub |
无 |
mindspore.ops.Tan |
无 |
mindspore.ops.Tanh |
无 |
mindspore.ops.Tile |
仅支持对multiples配置切分策略 |
mindspore.ops.TopK |
最后一维不支持切分，切分后，在数学逻辑上和单机不等价 |
mindspore.ops.Transpose |
无 |
mindspore.ops.TruncateDiv |
无 |
mindspore.ops.TruncateMod |
无 |
mindspore.ops.Unique |
只支持重复计算的策略(1,) |
mindspore.ops.UnsortedSegmentSum |
输入input_x和segment_ids的切分配置必须在segment_ids的维度上保持一致 |
mindspore.ops.UnsortedSegmentMin |
输入input_x和segment_ids的切分配置必须在segment_ids的维度上保持一致。注意：在segment id为空时，输出向量的对应位置会填充为输入类型的最大值。需要用户进行掩码处理，将最大值转换成0。否则容易造成数值溢出，导致通信API上溢错误，从而引发Run Task Error |
mindspore.ops.UnsortedSegmentMax |
输入input_x和segment_ids的切分配置必须在segment_ids的维度上保持一致。注意：在segment id为空时，输出向量的对应位置会填充为输入类型的最小值。需要用户进行掩码处理，将最小值转换成0。否则容易造成数值溢出，导致通信API上溢错误，从而引发Run Task Error |
mindspore.ops.Xdivy |
无 |
mindspore.ops.Xlogy |
无 |
mindspore.ops.ZerosLike |
无 |
