mindspore.boost

Boost能够自动加速网络，如减少BN/梯度冻结/累积梯度等。

说明

此特性为测试版本，我们仍在改进其功能。

class mindspore.boost.AutoBoost(level='O0', boost_config_dict='')[源代码]

MindSpore自动优化算法库。

参数：

level (str) - Boost的配置级别，默认值：”O0”。
- “O0”：不变化。
- “O1”：启用boost模式，性能将提升约20%，准确率保持不变。
- “O2”：启用boost模式，性能将提升约30%，准确率下降小于3%。
boost_config_dict (dict) - 用户可配置的超参字典，建议的格式如下：
```
{
    "boost": {
        "mode": "auto",
        "less_bn": False,
        "grad_freeze": False,
        "adasum": False,
        "grad_accumulation": False,
        "dim_reduce": False},

    "common": {
        "gradient_split_groups": [50, 100],
        "device_number": 8},

    "less_bn": {
        "fn_flag": True,
        "gc_flag": True},

    "grad_freeze": {
        "param_groups": 10,
        "freeze_type": 1,
        "freeze_p": 0.7,
        "total_steps": 65536},

    "grad_accumulation": {
        "grad_accumulation_step": 1},

    "dim_reduce": {
        "rho": 0.55,
        "gamma": 0.9,
        "alpha": 0.001,
        "sigma": 0.4,
        "n_components": 32,
        "pca_mat_path": None,
        "weight_load_dir": None,
        "timeout": 1800}

}
```
- boost：
  - mode (str)：Boost配置模式，支持 [“auto”, “manual”, “enable_all”, “disable_all”]。默认值： “auto”。
    - auto：自动配置，取决于Model类中的 boost_level 参数配置。
    - manual：在 boost_config_dict 中人工配置。
    - enable_all：开启所有boost算法。
    - disable_all：关闭所有boost算法。
  - less_bn (bool)：是否开启LessBN算法，默认：False
  - grad_freeze (bool)：是否开启梯度冻结算法，默认：False。
  - adasum (bool)：是否开启自适应求和算法，默认：False。
  - grad_accumulation (bool)：是否开启梯度累加算法，默认：False。
  - dim_reduce (bool)：是否开启降维训练算法，默认：False。
    
    如果开启dim_reduce算法，其他算法会失效。如果开启grad_freeze算法，同时关闭dim_reduce，其他算法会失效。
- common：
  - gradient_split_groups (list)：网络的梯度分割点，默认：[50, 100]。
  - device_number (int)：设备数，默认：8。
- less_bn：
  - fn_flag (bool)：是否采用fn替换fc，默认：替换。
  - gc_flag (bool)：是否启用gc，默认：启用gc。
- grad_freeze：
  - param_groups (int)：参数分组数量，默认值：10。
  - freeze_type (int)：梯度冻结策略，参数选择[0, 1]，默认值：1。
  - freeze_p (float)：梯度冻结概率，默认值：0.7。
  - total_steps (int)：总训练步数，默认值：65536。
- grad_accumulation：
  - grad_accumulation_step (int)：累加梯度的步数，默认值：1。
- dim_reduce：
  
  dim_reduce主要原理：
  
  \[\begin{split}\begin{align} grad\_k &= pca\_mat \cdot grad\\ dk &= - bk \cdot grad\_k\\ sk &= rho ^ m \cdot dk\\ delta\_loss &= sigma \cdot grad\_k.T \cdot sk \end{align}\end{split}\]
  
  其中：
  - pca_mat (array)：维度 \((k*n)\)，k是 n_components 的大小，n是权重的大小。
  - bk (array)：维度 \((k*k)\)，bk是拟牛顿法中的对称正定矩阵。
  我们需要找到满足以下条件的m：
  
  \[new\_loss < old\_loss + delta\_loss\]
  
  然后使用 delta_grad 去更新模型的权重：
  
  \[\begin{split}\begin{align} grad\_k\_proj &= pca\_mat.T \cdot grad\_k\\ new\_grad\_momentum &= gamma \cdot old\_grad\_momentum + grad - grad\_k\_proj\\ delta\_grad &= alpha \cdot new\_grad\_momentum - pca\_mat.T \cdot sk \end{align}\end{split}\]
  - rho (float)：超参，一般无需调整，默认值：0.55。
  - gamma (float)：超参，一般无需调整，默认值：0.9。
  - alpha (float)：超参，一般无需调整，默认值：0.001。
  - sigma (float)：超参，一般无需调整，默认值：0.4。
  - n_components (int)：PCA后的维度，默认值：32。
  - pca_mat_path (str)：PCA矩阵的加载路径，使用绝对路径，默认值：None。
  - weight_load_dir (str)：以checkpoint形式保存的权重加载路径，用于计算PCA矩阵，默认值：None。
  - timeout (int)：加载PCA矩阵的最长等待时间，默认值：1800(s)。
用户可以通过加载JSON文件或者直接使用字典来配置 boost_config_dict。未配置的参数会使用默认值。

异常：

ValueError - Boost的模式不在[“auto”, “manual”, “enable_all”, “disable_all”]这个列表中。

支持平台：

Ascend

样例：

>>> from mindspore.boost import AutoBoost
>>> #1) when configuring the dict directly:
>>> boost_config_dict = {"boost": {"mode": "auto"}}
>>> boost = AutoBoost("O1", boost_config_dict)
>>>
>>> #2) when loading the dict from a json file:
>>> import json
>>> boost_json = "/path/boost_config.json"
>>> with open(boost_json, 'r') as fp:
>>>     boost_config_dict = json.load(fp)
>>> boost = AutoBoost("O1", boost_config_dict)

network_auto_process_eval(network)[源代码]

使用Boost算法推理。

参数：

network (Cell) - 推理网络。

network_auto_process_train(network, optimizer)[源代码]

使用Boost算法训练。

参数：

network (Cell) - 训练网络。
optimizer (Cell) - 用于更新权重的优化器。

class mindspore.boost.OptimizerProcess(opt)[源代码]

处理Boost的优化器。目前支持给优化器添加梯度中心化和创建新的优化器。

参数：

opt (Cell) - 使用的优化器。

样例：

>>> import numpy as np
>>> from mindspore import Tensor, Parameter, nn
>>> from mindspore import ops
>>> from mindspore.boost import OptimizerProcess
>>>
>>> class Net(nn.Cell):
...     def __init__(self, in_features, out_features):
...         super(Net, self).__init__()
...         self.weight = Parameter(Tensor(np.ones([in_features, out_features]).astype(np.float32)),
...                                 name='weight')
...         self.matmul = ops.MatMul()
...
...     def construct(self, x):
...         output = self.matmul(x, self.weight)
...         return output
...
>>> size, in_features, out_features = 16, 16, 10
>>> network = Net(in_features, out_features)
>>> optimizer = nn.Momentum(network.trainable_params(), learning_rate=0.1, momentum=0.9)
>>> optimizer_process = OptimizerProcess(optimizer)
>>> optimizer_process.add_grad_centralization(network)
>>> optimizer = optimizer_process.generate_new_optimizer()

add_grad_centralization(network)[源代码]

添加梯度中心化。

参数：

network (Cell) - 训练网络。

build_gc_params_group(params_dict, parameters)[源代码]

构建梯度中心化的分组权重。

参数：

params_dict (dict) - 训练权重的字典。
parameters (list) - 训练权重的列表。

build_params_dict(network)[源代码]

构建网络权重的字典。

参数：

network (Cell) - 训练网络。

generate_new_optimizer()[源代码]: 生成新的优化器。

class mindspore.boost.ParameterProcess[源代码]

处理Boost网络的权重。当前支持创建分组参数和自动设置网络梯度切分点。

样例：

>>> import numpy as np
>>> from mindspore import Tensor, Parameter, nn
>>> import mindspore.ops as ops
>>> from mindspore.boost import ParameterProcess
>>>
>>> class Net(nn.Cell):
...     def __init__(self, in_features, out_features):
...         super(Net, self).__init__()
...         self.weight = Parameter(Tensor(np.ones([in_features, out_features]).astype(np.float32)),
...                                 name='weight')
...         self.weight2 = Parameter(Tensor(np.ones([in_features, out_features]).astype(np.float32)),
...                                 name='weight2')
...         self.matmul = ops.MatMul()
...         self.matmul2 = ops.MatMul()
...
...     def construct(self, x):
...         output = self.matmul(x, self.weight)
...         output2 = self.matmul2(x, self.weight2)
...         return output + output2
...
>>> size, in_features, out_features = 16, 16, 10
>>> network = Net(in_features, out_features)
>>> new_parameter = network.trainable_params()[:1]
>>> group_params = ParameterProcess.generate_group_params(new_parameter, network.trainable_params())

assign_parameter_group(parameters, split_point=None)[源代码]

设置分组权重。

参数：

parameters (list) - 训练网络的权重。
split_point (list) - 网络梯度切分点。默认为None。

generate_group_params(parameters, origin_params)[源代码]

创建分组权重。

参数：

parameters (list) - 训练网络的新权重。
origin_params (list) - 训练网络的初始权重。

class mindspore.boost.BoostTrainOneStepCell(network, optimizer, sens=1.0)[源代码]

Boost网络训练封装类。

用优化器封装网络。使用输入训练网络来获取结果。反向图在 construct 函数中创建，以更新参数，并且支持多种不同的并行模式。

参数：

network (Cell) - 训练网络，当前网络只支持单个输出。
optimizer (Union[Cell]) - 用于更新网络参数的优化器。
sens (numbers.Number) - 作为反向传播输入要填充的缩放数，默认值为1.0。

输入：

*inputs (Tuple(Tensor)) - 网络的所有输入组成的元组。

输出：

Tuple，包含三个Tensor，分别为损失函数值、溢出状态和当前损失缩放系数。shape为 \(()\)。

loss(Tensor)，标量Tensor。
overflow(Tensor)，标量Tensor，类型为bool。
loss scaling value(Tensor)，标量Tensor。

异常：

TypeError - 如果 sens 不是一个数字。

支持平台：

Ascend GPU CPU

样例：

>>> from mindspore import boost
>>> # Define the network structure of LeNet5. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.0/docs/mindspore/code/lenet.py
>>> net = LeNet5()
>>> loss_fn = nn.SoftmaxCrossEntropyWithLogits()
>>> optim = nn.Momentum(net.trainable_params(), learning_rate=0.1, momentum=0.9)
>>> #1) Using the WithLossCell existing provide
>>> loss_net = nn.WithLossCell(net, loss_fn)
>>> train_net = boost.BoostTrainOneStepCell(loss_net, optim)
>>>
>>> #2) Using user-defined WithLossCell
>>> class MyWithLossCell(Cell):
...    def __init__(self, backbone, loss_fn):
...        super(MyWithLossCell, self).__init__(auto_prefix=False)
...        self._backbone = backbone
...        self._loss_fn = loss_fn
...
...    def construct(self, x, y, label):
...        out = self._backbone(x, y)
...        return self._loss_fn(out, label)
...
...    @property
...    def backbone_network(self):
...        return self._backbone
...
>>> loss_net = MyWithLossCell(net, loss_fn)
>>> train_net = boost.BoostTrainOneStepCell(loss_net, optim)

adasum_process(loss, grads)[源代码]

使用Adasum算法训练。

参数：

loss (Tensor) - 网络训练的loss值。shape为 \(()\)。
grads (tuple(Tensor)) - 网络训练过程中的梯度。

返回：

Tensor，网络训练过程中得到的loss值。shape为 \(()\)。

check_adasum_enable()[源代码]

Adasum算法仅在多卡或者多机场景生效，并且要求卡数符合2的n次方，该函数用来判断adasum算法能否生效。

返回：: enable_adasum (bool)，Adasum算法是否生效。

check_dim_reduce_enable()[源代码]

获取当前是否使用降维二阶训练算法训练。

返回：: enable_dim_reduce (bool)，降维二阶训练算法是否生效。

gradient_accumulation_process(loss, grads, sens, *inputs)[源代码]

使用梯度累积算法训练。

参数：

loss (Tensor) - 网络训练的loss值。shape为 \(()\)。
grads (tuple(Tensor)) - 网络训练过程中的梯度。
sens (Tensor) - 作为反向传播输入要填充的缩放数。shape为 \(()\)。
inputs (tuple(Tensor)) - 网络训练的输入。shape为 \((N, \ldots)\)。

返回：

Tensor，网络训练过程中得到的loss值。

gradient_freeze_process(*inputs)[源代码]

使用梯度冻结算法训练。

参数：

inputs (tuple(Tensor)) - 网络训练的输入。

返回：

Tensor，网络训练过程中得到的loss值。

class mindspore.boost.BoostTrainOneStepWithLossScaleCell(network, optimizer, scale_sense)[源代码]

使用混合精度功能的Boost训练网络。

实现了包含损失缩放（loss scale）的单次训练。它使用网络、优化器和用于更新损失缩放系数（loss scale）的Cell(或一个Tensor)作为参数。可在host侧或device侧更新损失缩放系数。BoostTrainOneStepWithLossScaleCell会被编译成图，其中inputs作为输入数据。张量类型参数 scale_sense 作为损失缩放时使用的值。如果需要在host侧更新，使用Tensor作为 scale_sense 。如果需要在device侧更新，使用可更新损失缩放系数的Cell实例作为 scale_sense 。

参数：

network (Cell) - 训练网络，当前网络只支持单个输出。
optimizer (Cell) - 用于更新网络参数的优化器。
scale_sense (Union[Tensor, Cell]) - 如果此值为Cell类型，BoostTrainOneStepWithLossScaleCell 会调用它来更新损失缩放系数。如果此值为Tensor类型，可调用 set_sense_scale 来更新损失缩放系数，shape为 \(()\) 或 \((1,)\) 。

输入：

*inputs (Tuple(Tensor)) - 网络的所有输入组成的元组。shape为 \((N, \ldots)\)。

输出：

Tuple，包含三个Tensor，分别为损失函数值、溢出状态和当前损失缩放系数。

loss (Tensor) - 标量Tensor。shape为 \(()\)。
overflow (Tensor) - 标量Tensor，类型为bool。shape为 \(()\)。
loss scaling value (Tensor) - 标量Tensor。shape为 \(()\)。

异常：

TypeError - scale_sense 既不是Cell，也不是Tensor。
ValueError - scale_sense 的shape既不是 \((1,)\) 也不是 \(()\)。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, Parameter, nn
>>> import mindspore.ops as ops
>>> from mindspore.nn import WithLossCell
>>> from mindspore import dtype as mstype
>>> from mindspore import boost
>>>
>>> class Net(nn.Cell):
...     def __init__(self, in_features, out_features):
...         super(Net, self).__init__()
...         self.weight = Parameter(Tensor(np.ones([in_features, out_features]).astype(np.float32)),
...                                 name='weight')
...         self.matmul = ops.MatMul()
...
...     def construct(self, x):
...         output = self.matmul(x, self.weight)
...         return output
...
>>> size, in_features, out_features = 16, 16, 10
>>> #1) when the type of scale_sense is Cell:
>>> net = Net(in_features, out_features)
>>> loss = nn.MSELoss()
>>> optimizer = nn.Momentum(net.trainable_params(), learning_rate=0.1, momentum=0.9)
>>> net_with_loss = WithLossCell(net, loss)
>>> manager = nn.DynamicLossScaleUpdateCell(loss_scale_value=2**12, scale_factor=2, scale_window=1000)
>>> train_network = boost.BoostTrainOneStepWithLossScaleCell(net_with_loss, optimizer, scale_sense=manager)
>>> input = Tensor(np.ones([out_features, in_features]), mstype.float32)
>>> labels = Tensor(np.ones([out_features,]), mstype.float32)
>>> output = train_network(input, labels)
>>>
>>> #2) when the type of scale_sense is Tensor:
>>> net = Net(in_features, out_features)
>>> loss = nn.MSELoss()
>>> optimizer = nn.Momentum(net.trainable_params(), learning_rate=0.1, momentum=0.9)
>>> net_with_loss = WithLossCell(net, loss)
>>> inputs = Tensor(np.ones([size, in_features]).astype(np.float32))
>>> label = Tensor(np.zeros([size, out_features]).astype(np.float32))
>>> scaling_sens = Tensor(np.full((1), np.finfo(np.float32).max), dtype=mstype.float32)
>>> train_network = boost.BoostTrainOneStepWithLossScaleCell(net_with_loss, optimizer, scale_sense=scaling_sens)
>>> output = train_network(inputs, label)

class mindspore.boost.LessBN(network, fn_flag=False)[源代码]

LessBN算法，可以在不损失网络精度的前提下，自动减少网络中批归一化（Batch Normalization）的数量，来提升网络性能。

参数：

network (Cell) - 待训练的网络模型。
fn_flag (bool) - 是否将网络中最后一个全连接层替换为全归一化层。默认值：False。

样例：

>>> network = boost.LessBN(network)

class mindspore.boost.GradientFreeze(param_groups, freeze_type, freeze_p, total_steps)[源代码]

梯度冻结算法，根据指定策略随机冻结某些层的梯度，来提升网络训练性能。冻结的层数和冻结的概率均可由用户配置。

参数：

param_groups (Union[tuple, list]) - 梯度冻结训练的权重。
freeze_type (int) - 梯度冻结训练的策略。
freeze_p (float) - 梯度冻结训练的概率。
total_steps (int) - 整个训练过程的总的步数。

样例：

>>> gradient_freeze_class = boost.GradientFreeze(10, 1, 0.5, 2000)
>>> network, optimizer = gradient_freeze_class.freeze_generate(network, optimizer)

freeze_generate(network, optimizer)[源代码]

生成梯度冻结的网络与优化器。

参数：

network (Cell) - 训练网络。
optimizer (Cell) - 用于更新权重的优化器。

generate_freeze_index_sequence(parameter_groups_number, freeze_strategy, freeze_p, total_steps)[源代码]

生成梯度冻结每一步需要冻结的层数。

参数：

parameter_groups_number (int) - 梯度冻结训练的权重个数。
freeze_strategy (int) - 梯度冻结训练的策略。
freeze_p (float) - 梯度冻结训练的概率。
total_steps (int) - 整个训练过程的总的步数。

split_parameters_groups(net, freeze_para_groups_number)[源代码]

拆分用于梯度冻结训练的权重。

参数：

net (Cell) - 训练网络。
freeze_para_groups_number (int) - 梯度冻结训练的权重个数。

class mindspore.boost.FreezeOpt(opt, train_parameter_groups=None, train_strategy=None)[源代码]

支持梯度冻结训练的优化器。

参数：

opt (Cell) - 非冻结优化器实例，如 Momentum，SGD。
train_parameter_groups (Union[tuple, list]) - 梯度冻结训练的权重。
train_strategy (Union[tuple(int), list(int), Tensor]) - 梯度冻结训练的策略。

支持平台：

Ascend

mindspore.boost.freeze_cell(reducer_flag, network, optimizer, sens, grad, use_grad_accumulation, mean=None, degree=None, max_accumulation_step=1)[源代码]

提供带梯度冻结的网络Cell。

参数：

reducer_flag (bool) - 是否分布式训练。
network (Cell) - 训练网络。
optimizer (Cell) - 优化器。
sens (numbers.Number) - 损失缩放系数。
grad (tuple(Tensor)) - 网络梯度。
use_grad_accumulation (bool) - 是否使用梯度累积。
mean (bool) - 可选参数，梯度是否求平均，仅分布式训练时生效。默认值为None。
degree (int) - 可选参数，device卡数，仅分布式训练时生效。默认值为None。
max_accumulation_step (int) - 可选参数，梯度累积步数。默认值为1。

样例：

>>> import numpy as np
>>> from mindspore import Tensor, Parameter, nn
>>> import mindspore.ops as ops
>>> from mindspore.boost.grad_freeze import freeze_cell, FreezeOpt
>>>
>>> class Net(nn.Cell):
...     def __init__(self, in_features, out_features):
...         super(Net, self).__init__()
...         self.weight = Parameter(Tensor(np.ones([in_features, out_features]).astype(np.float32)),
...                                 name='weight')
...         self.matmul = ops.MatMul()
...
...     def construct(self, x):
...         output = self.matmul(x, self.weight)
...         return output
...
>>> in_features, out_features = 16, 10
>>> network = Net(in_features, out_features)
>>> optimizer = nn.Momentum(network.trainable_params(), learning_rate=0.1, momentum=0.9)
>>> optimizer = FreezeOpt(optimizer)
>>> grad = ops.GradOperation(get_by_list=True, sens_param=True)
>>> freeze_nets = freeze_cell(False, network, optimizer, 1.0, grad, False, None, None, 1)

class mindspore.boost.GradientAccumulation(max_accumulation_step, optimizer)[源代码]

梯度累积算法，在累积多个step的梯度之后，再用来更新网络权重，可以提高训练效率。

参数：

max_accumulation_step (int) - 累积梯度的步数。
optimizer (Cell) - 网络训练使用的优化器。

class mindspore.boost.AdaSum(rank, device_number, group_number, parameter_tuple)[源代码]

Adaptive Summation(AdaSum)是一种优化深度学习模型并行训练的算法，它可以提升不同规模集群训练的精度，减小不同规模集群调参难度。

参数：

rank (int) - 总的训练的卡数。
device_number (int) - 单机的卡数。
group_number (int) - 分组的数量。
parameter_tuple (Tuple(Parameter)) - 网络训练权重组成的元组。

输入：

delta_weights (Tuple(Tensor)) - 梯度tuple。
parameters (Tuple(Parameter)) - 当前权重组成的元组。
old_parameters (Tuple(Parameter)) - 旧的权重组成的元组。

输出：

adasum_parameters (Tuple(Tensor)) - adasum处理后更新的权重。

class mindspore.boost.DimReduce(network, optimizer, weight, pca_mat_local, n_components, rho, gamma, alpha, sigma, rank, rank_size)[源代码]

降维训练(dimension reduce training)是一种优化深度学习模型训练的算法，它可以加速模型的收敛。

算法主要原理：

\[\begin{split}\begin{align} grad\_k &= pca\_mat \cdot grad\\ dk &= - bk \cdot grad\_k\\ sk &= rho ^ m \cdot dk\\ delta\_loss &= sigma \cdot grad\_k.T \cdot sk \end{align}\end{split}\]

其中：

pca_mat (array): PCA矩阵，维度 \((k*n)\)，k是 n_components 的大小，n是权重的大小。
bk (array): 维度 \((k*k)\)，bk是拟牛顿法中的对称正定矩阵。

我们需要找到满足以下条件的m：

\[new\_loss < old\_loss + delta\_loss\]

然后使用delta_grad去更新模型的权重：

\[\begin{split}\begin{align} grad\_k\_proj &= pca\_mat.T \cdot grad\_k\\ new\_grad\_momentum &= gamma \cdot old\_grad\_momentum + grad - grad\_k\_proj\\ delta\_grad &= alpha \cdot new\_grad\_momentum - pca\_mat.T \cdot sk \end{align}\end{split}\]

参数：

network (Cell) - 训练网络，只支持单输出。
optimizer (Union[Cell]) - 更新权重的优化器。
weight (Tuple(Parameter)) - 网络权重组成的元组。
pca_mat_local (numpy.ndarray) - 用于PCA操作的，经过切分的PCA转换矩阵，维度为k*n，k是切分的 n_components 的大小，n是权重的大小。
n_components (int) - PCA的主成分维度(components)。
rho (float) - 超参。
gamma (float) - 超参。
alpha (float) - 超参。
sigma (float) - 超参。
rank (int) - Rank编号。
rank_size (int) - Rank总数。

输入：

loss (Tensor) - 网络loss，shape为 \(()\) 的标量Tensor。
old_grad (Tuple(Tensor)) - 网络权重提取组成的元组。
weight (Tuple(Tensor)) - 网络权重组成的元组。
weight_clone (Tuple(Tensor)) - 网络权重的副本。
*inputs (Tuple(Tensor)) - 网络的所有输入组成的元组，shape为 \((N, \ldots)\)。

输出：

loss (Tensor) - 网络loss，shape为 \(()\) 的标量Tensor。

class mindspore.boost.GroupLossScaleManager(init_loss_scale, loss_scale_groups)[源代码]

增强型混合精度算法支持不同loss scale的多层应用和损失尺度的动态更新。

参数：

init_loss_scale (Number) - 初始化loss scale。
loss_scale_groups (List) - 从参数列表里分离出来的loss scale组。

输入：

x (Tensor) - 最后一个operator的输出。
layer1 (int) - 当前网络层的值。
layer2 (int) - 最后一个网络层的值。

输出：

x (Tensor) - _DynamicLossScale operator的输出。

支持平台：

Ascend

样例：

>>> import mindspore as ms
>>> from mindspore import boost, nn
>>>
>>> class Net(nn.Cell):
...     def __init__(self, enhanced_amp, num_class=10, num_channel=1):
...         super(Net, self).__init__()
...         self.conv1 = nn.Conv2d(num_channel, 6, 5, pad_mode='valid')
...         self.conv2 = nn.Conv2d(6, 16, 5, pad_mode='valid')
...         self.fc1 = nn.Dense(16*5*5, 120, weight_init='ones')
...         self.fc2 = nn.Dense(120, 84, weight_init='ones')
...         self.fc3 = nn.Dense(84, num_class, weight_init='ones')
...         self.relu = nn.ReLU()
...         self.max_pool2d = nn.MaxPool2d(kernel_size=2, stride=2)
...         self.flatten = nn.Flatten()
...         self.enhanced_amp = enhanced_amp
...
...     def construct(self, x):
...         x = self.enhanced_amp(x, 0, 1)
...         x = self.max_pool2d(self.relu(self.conv1(x)))
...         x = self.max_pool2d(self.relu(self.conv2(x)))
...         x = self.flatten(x)
...         x = self.enhanced_amp(x, 1, 2)
...         x = self.relu(self.fc1(x))
...         x = self.relu(self.fc2(x))
...         x = self.fc3(x)
...         x = self.enhanced_amp(x, 2, 3)
...         return x
>>>
>>> loss_scale_manager = boost.GroupLossScaleManager(4096, [])
>>> net = Net(loss_scale_manager)
>>> param_group1 = []
>>> param_group2 = []
>>> for param in net.trainable_params():
>>>     if 'conv' in param.name:
>>>         param_group1.append(param)
>>>     else:
>>>         param_group2.append(param)
>>> loss_scale_manager.loss_scale_groups = [param_group1, param_group2]
>>> loss = nn.SoftmaxCrossEntropyWithLogits()
>>> optim = nn.Momentum(params=net.trainable_params(), learning_rate=0.1, momentum=0.9)
>>> boost_config_dict = {"boost": {"mode": "manual", "less_bn": False, "grad_freeze": False, "adasum": False,         >>>                      "grad_accumulation": False, "dim_reduce": False, "loss_scale_group": True}}
>>> model = ms.Model(net, loss_fn=loss, optimizer=optim, metrics=None, loss_scale_manager=loss_scale_manager,         >>>               boost_level="O1", boost_config_dict=boost_config_dict)
>>> # Create the dataset taking MNIST as an example. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.0/docs/mindspore/code/mnist.py
>>> dataset = create_dataset()
>>> model.train(2, dataset)

get_loss_scale()[源代码]

获取loss scale的值。

返回：: bool，loss_scale 的值。

get_update_cell()[源代码]

返回 mindspore.boost.GroupLossScaleManager 实例。

返回：: mindspore.boost.GroupLossScaleManager 实例。

set_loss_scale_status(loss_scale_number, init_loss_scale)[源代码]

生成动态loss scale元组，并设置溢出状态列表。

参数：

loss_scale_number (int) - loss scale的数量。
init_loss_scale (float) - 已初始化的loss scale。

update_loss_scale_status(layer, update_ratio)[源代码]

更新动态loss scale。

参数：

layer (int) - 当前层。
update_ratio (float) - 更新loss scale的当前比例。

输出：

float，新loss scale的值。