mindspore.shard

mindspore.shard(fn, in_strategy, out_strategy=None, parameter_plan=None, device='Ascend', level=0)[源代码]

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： 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。

说明

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。

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。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> import mindspore as ms
>>> from mindspore import Tensor
>>> from mindspore.communication import init
>>> ms.set_context(mode=ms.PYNATIVE_MODE)
>>> init()
>>> ms.set_auto_parallel_context(parallel_mode="auto_parallel", search_mode="sharding_propagation",
...                           device_num=2)
>>> def test_shard(x, y):
...     return x + y
>>> x = Tensor(np.ones(shape=(32, 10)))
>>> y = Tensor(np.ones(shape=(32, 10)))
>>> output = ms.shard(test_shard, in_strategy=((2, 1), (2, 1)))(x, y)
>>> print(output.shape)
(32, 10)
教程样例：