mindspore.Parameter

class mindspore.Parameter(default_input, name=None, requires_grad=True, layerwise_parallel=False, parallel_optimizer=True)[源代码]

Parameter 是 Tensor 的子类，当它们被绑定为Cell的属性时，会自动添加到其参数列表中，并且可以通过Cell的某些方法获取，例如 cell.get_parameters() 。

说明

在 SEMI_AUTO_PARALLEL 和 AUTO_PARALLEL 的并行模式下，如果使用 Initializer 模块初始化参数，参数的类型将为 Tensor 。Tensor 仅保存张量的形状和类型信息，而不占用内存来保存实际数据。
并行场景下存在参数的形状发生变化的情况，用户可以调用 Parameter 的 init_data 方法得到原始数据。
如果网络中存在需要部分输入为 Parameter 的算子，则不允许这部分输入的 Parameter 进行转换。

参数：

default_input (Union[Tensor, int, float, numpy.ndarray, list]) - 初始化参数的输入值。
name (str) - 参数的名称。默认值： None 。如果一个网络中存在两个及以上相同名称的 Parameter 对象，在定义时将提示设置一个特有的名称。
requires_grad (bool) - 是否需要微分求梯度。默认值： True 。
layerwise_parallel (bool) - 在数据/混合并行模式下，layerwise_parallel 配置为 True 时，参数广播和梯度聚合时会过滤掉该参数。默认值： False 。
parallel_optimizer (bool) - 用于在 semi_auto_parallel 或 auto_parallel 并行模式下区分参数是否进行优化器切分。仅在 mindspore.set_auto_parallel_context() 并行配置模块中设置 enable_parallel_optimizer 启用优化器并行时有效。默认值： True 。

样例：

>>> import numpy as np
>>> import mindspore
>>> from mindspore import Parameter, Tensor, ops, nn
>>>
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.matmul = ops.MatMul()
...         self.weight = Parameter(Tensor(np.ones((1, 2)), mindspore.float32), name="w", requires_grad=True)
...
...     def construct(self, x):
...         out = self.matmul(self.weight, x)
...         return out
>>> net = Net()
>>> x = Tensor(np.ones((2, 1)), mindspore.float32)
>>> print(net(x))
[[2.]]
>>> net.weight.set_data(Tensor(np.zeros((1, 2)), mindspore.float32))
>>> print(net(x))
[[0.]]

property cache_enable

表示该参数是否开启缓存功能。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.cache_enable=True
>>> x.cache_enable
True

property cache_shape

如果使用缓存，则返回对应参数的缓存shape。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.cache_enable=True
>>> x.cache_shape=[1, 2]
>>> x.cache_shape
[1, 2]

clone(init='same')[源代码]

克隆参数。

参数：

init (Union[Tensor, str, numbers.Number]) - 初始化参数的形状和数据类型。如果 init 是 Tensor 或 numbers.Number ，则克隆一个具有相同数值、形状和数据类型的新参数。如果 init 是 str ，则 init 将继承 Initializer 模块中对应的同名的类。例如，如果 init 是 ‘same’，则克隆一个具有相同数据、形状和数据类型的新参数。默认值： ‘same’。

返回：

Parameter，返回克隆的新参数。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> y = x.clone()

property comm_fusion

获取此参数的通信算子的融合类型（int）。

在 AUTO_PARALLEL 和 SEMI_AUTO_PARALLEL 模式下，一些用于参数或梯度聚合的通信算子将自动插入。fusion的值必须大于等于0。当fusion的值为0时，算子不会融合在一起。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.comm_fusion = 3
>>> x.comm_fusion
3

copy()[源代码]

拷贝参数。

返回：: Parameter，返回拷贝的新参数。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> y = x.copy()

property data

返回参数对象。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([[1, 2], [3, 4]], dtype=np.float32)), name="param")
>>> x.data
Parameter (name=Parameter, shape=(2, 2), dtype=float32, requires=True)

init_data(layout=None, set_sliced=False)[源代码]

初始化参数的数据。

参数：

layout (Union[None, tuple]) - 参数的layout信息。layout[dev_mat, tensor_map, slice_shape, filed_size, uniform_split, opt_shard_group]：默认值： None 。仅在 SEMI_AUTO_PARALLEL 或 AUTO_PARALLEL 模式下 layout 不是 None 。
- dev_mat (list(int)) - 该参数的设备矩阵。
- tensor_map (list(int)) - 该参数的张量映射。
- slice_shape (list(int)) - 该参数的切片shape。
- filed_size (int) - 该权重的行数。
- uniform_split (bool) - 该参数是否进行均匀切分。
- opt_shard_group (str) - 该参数进行优化器切分时的group。
set_sliced (bool) - 参数初始化时被设定为分片，则为 True 。默认值： False 。

返回：

初始化数据后的 Parameter 。如果当前 Parameter 已初始化，则更新 Parameter 数据。

异常：

RuntimeError - 参数使用 Initializer 模块进行初始化，初始化后并行模式发生更改。
ValueError - layout 长度小于6。
TypeError - layout 不是元组。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([[1, 2], [3, 4]], dtype=np.float32)), name="param")
>>> x.init_data()

property inited_param

用于调用 init_data 后，获取当前的Parameter。

如果 self 是没有数据的Parameter，则默认返回为None；在调用 init_data 方法对Parameter初始化数据后，当前Parameter会被记录在此属性中。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.inited_param()

property key

用于获取当前Parameter的唯一key值。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.key = 2
>>> x.key
2

property layerwise_parallel

获取此参数的逐层并行状态（bool）。

在 DATA_PARALLEL 和 HYBRID_PARALLEL 模式下，如果 layerwise_parallel 为True，则广播和gradients通信将不会应用到参数。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.layerwise_parallel = True
>>> x.layerwise_parallel
True

property name

获取参数的名称。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.name = "param1"
>>> x.name
'param1'

property parallel_optimizer

获取此参数的优化器并行状态（bool）。

用于在 AUTO_PARALLEL 和 SEMI_AUTO_PARALLEL 模式下过滤权重切分操作。当在 mindspore.set_auto_parallel_context() 中启用优化器并行时，它才有效。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.parallel_optimizer = True
>>> x.parallel_optimizer
True

property parallel_optimizer_comm_recompute

获取此参数的优化器并行通信重计算状态（bool）。

在 AUTO_PARALLEL 和 SEMI_AUTO_PARALLEL 模式下，当使用并行优化器时，会自动插入一些 mindspore.ops.AllGather 算子，用于参数聚合。它用于控制这些 mindspore.ops.AllGather 算子的重计算属性。

说明

仅支持 Graph 模式。
建议使用cell.recompute(parallel_optimizer_comm_recompute=True/False)去配置由优化器并行生成的 mindspore.ops.AllGather 算子，而不是直接使用该接口。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.parallel_optimizer_comm_recompute = True
>>> x.parallel_optimizer_comm_recompute
True

property requires_grad

表示该参数是否需要求梯度进行更新。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.requires_grad = True
>>> x.requires_grad
True

set_data(data, slice_shape=False)[源代码]

设置参数数据。

参数：

data (Union[Tensor, int, float]) - 新数据。
slice_shape (bool) - 如果 slice_shape 设为True，则不检查 data 和当前参数shape的一致性。默认值： False 。

返回：

完成数据设置的新参数。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([[1, 2], [3, 4]], dtype=np.float32)), name="param")
>>> x.set_data(Tensor(np.array([[6, 6], [6, 6]], dtype=np.float32)))
Parameter (name=Parameter, shape=(2, 2), dtype=float32, requires=True)

set_param_ps(init_in_server=False)[源代码]

表示可训练参数是否由参数服务器更新，以及可训练参数是否在服务器上初始化。

说明

仅当运行的任务处于参数服务器模式下有效。只支持在图模式下调用。

参数：

init_in_server (bool) - 表示参数服务器更新的可训练参数是否在服务器上初始化。默认值： False 。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.set_param_ps(True)

property sliced

获取参数的切片状态。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.sliced = True
>>> x.sliced
True

property unique

表示参数是否唯一。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x.unique = True
>>> x.unique
True

value()[源代码]

返回参数的值。

样例：

>>> from mindspore import Tensor, Parameter
>>> import numpy as np
>>> x = Parameter(Tensor(np.array([1, 2], dtype=np.float32)), name="param")
>>> x_value = x.value()
>>> print(x_value)
[1.  2.]