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@jit装饰器修饰函数，Cell及其子类、@jit_class修饰的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。

jit使用规则详见jit 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：

import mindspore as ms

@ms.jit()
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:

import mindspore as ms

@ms.jit
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：

  import mindspore as ms
  
  @ms.jit()
  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：

  import mindspore as ms
  
  @ms.jit()
  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：

  import mindspore as ms
  
  @ms.jit()
  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：

  import mindspore as ms
  
  @ms.jit()
  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：

  import mindspore as ms
  
  @ms.jit()
  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：

  import mindspore as ms
  
  @ms.jit()
  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：

  import mindspore as ms
  
  @ms.jit()
  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。

  import mindspore as ms
  
  @ms.jit()
  def test_list_count(input_x):
      x = [1, 2, 3, 4]
      num = x.count(input_x)
      return num
  
  input_x = ms.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
  import numpy as np
  
  t = ms.Tensor(np.array([1, 2, 3]))
  
  @ms.jit()
  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
  import numpy as np
  
  t = ms.Tensor(np.array([1, 2, 3]))
  
  @ms.jit()
  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key类型支持String、Number、常量Tensor以及只包含这些类型对象的Tuple，value类型支持Number、Tuple、Tensor、List、Dictionary。需要注意的是，如果计算图的最终输出有Dictionary，返回的不是Dictionary，而是由其所有的value值组成的Tuple。

• 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
  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.jit()
  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

  示例如下：

  import mindspore as ms
  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.jit()
  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construct里构造Primitive及其子类的实例。

但在调用时，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。

示例如下：

import mindspore as ms
from mindspore import nn, ops, Tensor, set_context
import numpy as np

set_context(mode=ms.GRAPH_MODE)

class Net(nn.Cell):
    def __init__(self):
        super().__init__()

    def construct(self, x):
        reduce_sum = ops.ReduceSum(True) #支持在construct里构造`Primitive`及其子类的实例
        ret = reduce_sum(x, axis=2)
        return ret

x = Tensor(np.random.randn(3, 4, 5, 6).astype(np.float32))
net = Net()
ret = net(x)
print('ret.shape:{}'.format(ret.shape))

上面所定义的网络里，reduce_sum(x, axis=2)的参数不支持通过键值对方式传入，只能通过位置参数方式传入，即reduce_sum(x, 2)。

结果报错如下：

TypeError: Only supported positional parameter type for python primitive, but got keyword parameter type.

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...)。

但在调用时，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 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
+	Number、Tensor，取正值。
-	Number、Tensor、COOTensor、CSRTensor，取负值。
~	Tensor， 且其数据类型为Bool。成员逐个取反。

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
+	Number + Number、String + String、Number + Tensor、Tensor + Number、Tuple + Tensor、Tensor + Tuple、List + Tensor、Tensor+List、List+List、Tensor + Tensor、Tuple + Tuple、COOTensor + Tensor、Tensor + COOTensor、COOTensor + COOTensor、CSRTensor + CSRTensor。
-	Number - Number、Tensor - Tensor、Number - Tensor、Tensor - Number、Tuple - Tensor、Tensor - Tuple、List - Tensor、Tensor - List、COOTensor - Tensor、Tensor - COOTensor、COOTensor - COOTensor、CSRTensor - CSRTensor。
*	Number * Number、Tensor * Tensor、Number * Tensor、Tensor * Number、List * Number、Number * List、Tuple * Number、Number * Tuple、Tuple * Tensor、Tensor * Tuple、 List * Tensor、Tensor * List、COOTensor * Tensor、Tensor * COOTensor、CSRTensor * Tensor、Tensor * CSRTensor。
/	Number / Number、Tensor / Tensor、Number / Tensor、Tensor / Number、Tuple / Tensor、Tensor / Tuple、List / Tensor、Tensor / List、COOTensor / Tensor、CSRTensor / Tensor。
%	Number % Number、Tensor % Tensor、Number % Tensor、Tensor % Number、Tuple % Tensor、Tensor % Tuple、List % Tensor、Tensor % List。
**	Number ** Number、Tensor ** Tensor、Number ** Tensor、Tensor ** Number、Tuple ** Tensor、Tensor ** Tuple、 List ** Tensor、Tensor ** List。
//	Number // Number、Tensor // Tensor、Number // Tensor、Tensor // Number、Tuple // Tensor、Tensor // Tuple、List // Tensor、Tensor // List。
&	Number & Number、Tensor & Tensor、Number & Tensor、Tensor & Number。
∣	Number | Number、Tensor | Tensor、Number | Tensor、Tensor | Number。
^	Number ^ Number、Tensor ^ Tensor、Number ^ Tensor、Tensor ^ Number。
<<	Number << Number。
>>	Number >> Number。

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
+=	Number += Number、String += String、Number += Tensor、Tensor += Number、Tuple += Tensor、Tensor += Tuple、List += Tensor、Tensor += List、List += List、Tensor += Tensor、Tuple += Tuple。
-=	Number -= Number、Tensor -= Tensor、Number -= Tensor、Tensor -= Number、Tuple -= Tensor、Tensor -= Tuple、List -= Tensor、Tensor -= List。
*=	Number *= Number、Tensor *= Tensor、Number *= Tensor、Tensor *= Number、List *= Number、Number *= List、Tuple *= Number、Number *= Tuple、Tuple *= Tensor、Tensor *= Tuple、 List *= Tensor、Tensor *= List。
/=	Number /= Number、Tensor /= Tensor、Number /= Tensor、Tensor /= Number、Tuple /= Tensor、Tensor /= Tuple、List /= Tensor、Tensor /= List。
%=	Number %= Number、Tensor %= Tensor、Number %= Tensor、Tensor %= Number、Tuple %= Tensor、Tensor %= Tuple、List %= Tensor、Tensor %= List。
**=	Number **= Number、Tensor **= Tensor、Number **= Tensor、Tensor **= Number、Tuple **= Tensor、Tensor **= Tuple、 List **= Tensor、Tensor **= List。
//=	Number //= Number、Tensor //= Tensor、Number //= Tensor、Tensor //= Number、Tuple //= Tensor、Tensor //= Tuple、List //= Tensor、Tensor //= List。
&=	Number &= Number、Tensor &= Tensor、Number &= Tensor、Tensor &= Number。
∣=	Number |= Number、Tensor |= Tensor、Number |= Tensor、Tensor |= Number。
^=	Number ^= Number、Tensor ^= Tensor、Number ^= Tensor、Tensor ^= Number。
<<=	Number <<= Number。
>>=	Number >>= Number。

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
and	String、 Number、 Tuple、List 、Dict、None、标量、Tensor。
or	String、 Number、 Tuple、List 、Dict、None、标量、Tensor。
not	Number、Tuple、List、只有一个成员的Tensor。

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
in	Number in tuple、String in tuple、Tensor in Tuple、Number in List、String in List、Tensor in List、String in Dictionary。
not in	与in相同。
is	仅支持判断是None、 True或者False。
is not	仅支持判断不是None、 True或者False。
<	Number < Number、Number < Tensor、Tensor < Tensor、Tensor < Number。
<=	Number <= Number、Number <= Tensor、Tensor <= Tensor、Tensor <= Number。
>	Number > Number、Number > Tensor、Tensor > Tensor、Tensor > Number。
>=	Number >= Number、Number >= Tensor、Tensor >= Tensor、Tensor >= Number。
!=	Number != Number、Number != Tensor、Tensor != Tensor、Tensor != Number、mstype != mstype、String != String、Tuple ! = Tuple、List != List。
==	Number == Number、Number == Tensor、Tensor == Tensor、Tensor == Number、mstype == mstype、String == String、Tuple == Tuple、List == List。

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。shape一致性约束详见ShapeJoin规则。

示例1：

import mindspore as ms

x = ms.Tensor([1, 2], ms.int32)
y = ms.Tensor([0, 3], ms.int32)
m = 'xx'
n = 'yy'

@ms.jit()
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

x = ms.Tensor([1, 2], ms.int32)
y = ms.Tensor([0, 3], ms.int32)
m = 'xx'
n = 'yy'

@ms.jit()
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

x = ms.Tensor([1, 2], ms.int32)
y = ms.Tensor([0, 3], ms.int32)
m = 'xx'

@ms.jit()
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) break

• for 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
import numpy as np

z = ms.Tensor(np.ones((2, 3)))

@ms.jit()
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) break

• while (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。shape一致性约束详见ShapeJoin规则。

• 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。

示例1：

import mindspore as ms

m = 1
n = 2

@ms.jit()
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：

import mindspore as ms

m = 1
n = 2

def ops1(a, b):
    return a + b

@ms.jit()
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：

import mindspore as ms

def number_add(x, y):
    return x + y

@ms.jit()
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：

import mindspore as ms

@ms.jit()
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：

import mindspore as ms

@ms.jit()
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：

import mindspore as ms

@ms.jit()
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 set_context

set_context(mode=ms.GRAPH_MODE)

@ms.jit_class
class Sample:
    def __init__(self):
        super(Sample, self).__init__()
        self.num = ms.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：

import mindspore as ms

@ms.jit
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：

import mindspore as ms

@ms.jit
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：

import mindspore as ms

@ms.jit
def func():
   a = bool()
   b = bool(0)
   c = bool("abc")
   d = bool([1, 2, 3, 4])
   e = bool(ms.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
import mindspore as ms

@ms.jit
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

@ms.jit
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

@ms.jit
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

@ms.jit_class
class MSClass1:
  def __init__(self):
    self.num0 = 0

ms_obj = MSClass1()

@ms.jit
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

@ms.jit_class
class MSClass1:
  def __init__(self):
    self.num0 = 0

ms_obj = MSClass1()

@ms.jit
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第零维的长度。

示例如下：

import mindspore as ms
import numpy as np

z = ms.Tensor(np.ones((6, 4, 5)))

@ms.jit()
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
import numpy as np

z = ms.Tensor(np.ones((6, 4, 5)))

@ms.jit()
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：

import mindspore as ms

@ms.jit
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：

import mindspore as ms

@ms.jit
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：

import mindspore as ms

@ms.jit
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

@ms.jit
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

@ms.jit
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

@ms.jit
def func():
  a = sum([0, 1, 2])
  b = sum((0, 1, 2), 10)
  c = sum(np.array([1, 2, 3]))
  d = sum(ms.Tensor([1, 2, 3]), 10)
  e = sum(ms.Tensor([[1, 2], [3, 4]]))
  f = sum([1, ms.Tensor([[1, 2], [3, 4]]), ms.Tensor([[1, 2], [3, 4]])], ms.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：

import mindspore as ms

@ms.jit
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：

import mindspore as ms
from mindspore import ops

def add(x, y):
    return x + y

@ms.jit()
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：

import mindspore as ms

def add(x, y):
    return x + y

@ms.jit()
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：

import mindspore as ms

@ms.jit()
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：

import mindspore as ms

@ms.jit()
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
import numpy as np

y = ms.Tensor(np.array([[1, 2], [3, 4], [5, 6]]))

@ms.jit()
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
import numpy as np

x = ms.Tensor(np.array([1, 2, 3]))
y = ms.Tensor(np.array([1, 2, 3]))

@ms.jit()
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
import numpy as np

x = ms.Tensor(np.array([1, 2, 3]), ms.int32)
y = ms.Tensor(3, ms.int32)

@ms.jit()
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：

import mindspore as ms

def is_odd(x):
    if x % 2:
        return True
    return False

@ms.jit()
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.forward_net = net

    def construct(self, x, y, z):
        return ms.grad(self.forward_net, grad_position=(0, 1, 2))(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@jit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
Cell实例	mindspore/nn/*、自定义Cell。
Cell实例的成员函数	Cell的construct中可以调用其他类成员函数。
jit_class实例	使用@jit_class装饰的类。
Primitive算子	mindspore/ops/operations/*
Composite算子	mindspore/ops/composite/*
constexpr生成算子	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

1. 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
   

2. 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：

   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]
   

3. nn.Cell不支持classmethod修饰的类方法。