mindspore.shard =============== .. py:function:: mindspore.shard(fn, in_strategy, out_strategy=None, parameter_plan=None, 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: :func:`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:: 需设置执行模式为PyNative模式,同时设置 `set_auto_parallel_context` 中的并行模式为"auto_parallel"且搜索模式(search mode)为"sharding_propagation"。 如果输入含有Parameter,其对应的策略应该在 `in_strategy` 里设置。 如果你想了解更多关于shard的信息,可以参考 `函数式算子切分 `_ 。 参数: - **fn** (Union[Cell, Function]) - 待通过分布式并行执行的函数,它的参数和返回值类型应该均为Tensor或Parameter。 如果 `fn` 是Cell类型且含有参数,则 `fn` 必须是一个实例化的对象,否则无法访问到其内部参数。 - **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** (Union[tuple, None]) - 指定各输出的切分策略,用法同 `in_strategy`,目前未使能。默认值:None。 - **parameter_plan** (Union[dict, None]) - 指定各参数的切分策略,传入字典时,键是str类型的参数名,值是一维整数tuple表示相应的切分策略, 如果参数名错误或对应参数已经设置了切分策略,该参数的设置会被跳过。默认值:None。 - **device** (string) - 指定执行设备,可以为["CPU", "GPU", "Ascend"]中任意一个,目前未使能。默认值:"Ascend" - **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,其余模式未使能。 返回: Function, 返回一个在自动并行流程下执行的函数。 异常: - **AssertionError** - 如果执行模式不是"PYNATIVE_MODE"。 - **AssertionError** - 如果并行模式不是"auto_parallel"。 - **AssertionError** - 如果策略搜索模式不是"sharding_propagation"。 - **AssertionError** - 如果后端不是"Ascend"或"GPU"。 - **TypeError** - 如果 `in_strategy` 不是tuple。 - **TypeError** - 如果 `out_strategy` 不是tuple。 - **TypeError** - 如果 `parameter_plan` 不是dict或None。 - **TypeError** - 如果 `parameter_plan` 里的任何一个键值类型不是str。 - **TypeError** - 如果 `parameter_plen` 里的任何一个值类型不是tuple。 - **TypeError** - 如果 `device` 不是str。 - **TypeError** - 如果 `level` 不是int。