静态图语法-Python语句

查看源文件

简单语句

raise语句

支持使用raise触发异常，raise语法格式：raise[Exception [, args]]。语句中的Exception是异常的类型，args是用户提供的异常参数，通常可以是字符串或者其他对象。目前支持的异常类型有：NoExceptionType、UnknownError、ArgumentError、NotSupportError、NotExistsError、DeviceProcessError、AbortedError、IndexError、ValueError、TypeError、KeyError、AttributeError、NameError、AssertionError、BaseException、KeyboardInterrupt、Exception、StopIteration、OverflowError、ZeroDivisionError、EnvironmentError、IOError、OSError、ImportError、MemoryError、UnboundLocalError、RuntimeError、NotImplementedError、IndentationError、RuntimeWarning。

值得注意的是，raise语句在静态图模式下的变量场景的能力是通过扩展语法支持，即需要在JIT语法支持级别选项jit_syntax_level为LAX时才支持。

例如：

import mindspore.nn as nn
import mindspore as ms

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

    def construct(self, x, y):
        if x <= y:
            raise ValueError("x should be greater than y.")
        else:
            x += 1
        return x

ms.set_context(mode=ms.GRAPH_MODE)
net = Net()
net(ms.Tensor(-2), ms.Tensor(-1))

输出结果:

ValueError: x should be greater than y.

assert语句

支持使用assert来做异常检查，assert语法格式：assert[Expression [, args]]。其中Expression是判断条件，如果条件为真，就不做任何事情；条件为假时，则将抛出AssertError类型的异常信息。args是用户提供的异常参数，通常可以是字符串或者其他对象。

import mindspore.nn as nn
import mindspore as ms

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

    def construct(self, x):
        assert x in [2, 3, 4]
        return x

ms.set_context(mode=ms.GRAPH_MODE)
net = Net()
net(ms.Tensor(-1))

输出结果中正常出现:

AssertionError.

pass语句

pass语句不做任何事情，通常用于占位，保持结构的完整性。例如：

import mindspore as ms
from mindspore import nn, set_context

set_context(mode=ms.GRAPH_MODE)

class Net(nn.Cell):
  def construct(self, x):
    i = 0
    while i < 5:
      if i > 3:
        pass
      else:
        x = x * 1.5
      i += 1
    return x

net = Net()
ret = net(10)
print("ret:", ret)

结果如下：

ret: 50.625

return语句

return语句通常是将结果返回调用的地方，return语句之后的语句不被执行。如果返回语句没有任何表达式或者函数没有return语句，则默认返回一个None对象。一个函数体内可以根据不同的情况有多个return语句。例如：

import mindspore as ms
from mindspore import nn, set_context

set_context(mode=ms.GRAPH_MODE)

class Net(nn.Cell):
  def construct(self, x):
      if x > 0:
        return x
      else:
        return 0

net = Net()
ret = net(10)
print("ret:", ret)

输出结果:

ret: 10

如上，在控制流场景语句中，可以有多个return语句。如果一个函数中没有return语句，则默认返回None对象，如下用例：

from mindspore import jit, context

context.set_context(mode=context.GRAPH_MODE)

@jit
def foo():
  x = 3
  print("x:", x)

res = foo()
assert res is None

break语句

break语句用来终止循环语句，即循环条件没有False条件或者序列还没完全递归完时，也会停止执行循环语句，通常用在while和for循环中。在嵌套循环中，break语句将停止执行最内层的循环。

import mindspore as ms
from mindspore import nn, set_context

set_context(mode=ms.GRAPH_MODE)

class Net(nn.Cell):
  def construct(self, x):
    for i in range(8):
      if i > 5:
        x *= 3
        break
      x = x * 2
    return x

net = Net()
ret = net(10)
print("ret:", ret)

得到结果：

ret: 1920

continue语句

continue语句用来跳出当前的循环语句，进入下一轮的循环。与break语句有所不同，break语句用来终止整个循环语句。continue也用在while和for循环中。例如：

import mindspore as ms
from mindspore import nn, set_context

set_context(mode=ms.GRAPH_MODE)

class Net(nn.Cell):
  def construct(self, x):
    for i in range(4):
      if i > 2:
        x *= 3
        continue
    return x


net = Net()
ret = net(3)
print("ret:", ret)

得到结果：

ret: 9

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类型的常量以及none对象。

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。

示例1：

import mindspore as ms

x = ms.Tensor([1, 4], ms.int32)
y = ms.Tensor([0, 3], ms.int32)
m = 1
n = 2

@ms.jit()
def test_if_cond(x, y):
    if (x > y).any():
        return m
    else:
        return n

ret = test_if_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:1

示例2：

import mindspore as ms

x = ms.Tensor([1, 4], ms.int32)
y = ms.Tensor([0, 3], ms.int32)
m = 1
n = 2

@ms.jit()
def test_if_cond(x, y):
    out = 3
    if (x > y).any():
        out = m
    else:
        out = n
    return out

ret = test_if_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:1

示例3：

import mindspore as ms

x = ms.Tensor([1, 4], ms.int32)
y = ms.Tensor([0, 3], ms.int32)
m = 1

@ms.jit()
def test_if_cond(x, y):
    out = 2
    if (x > y).any():
        out = m
    return out

ret = test_if_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初始赋值的数据类型必须一致。

结果如下:

ret:1

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 numpy as np
import mindspore as ms

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类型的常量以及None对象。

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。

  • 不支持while...else...语句。

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

def用于定义函数，后接函数标识符名称和原括号()，括号中可以包含函数的参数。 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

说明：

  • 函数可以支持不写返回值，不写返回值默认函数的返回值为None。

  • 支持最外层网络模型的construct函数和内层网络函数输入kwargs，即支持 def construct(**kwargs):。

  • 支持变参和非变参的混合使用，即支持 def function(x, y, *args):和 def function(x = 1, y = 1, **kwargs):。

lambda表达式

lambda表达式用于生成匿名函数。与普通函数不同，它只计算并返回一个表达式。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

偏函数partial

功能：偏函数，固定函数入参。使用方式：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

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。

列表生成式和生成器表达式

支持列表生成式（List Comprehension）、字典生成式（Dict Comprehension）和生成器表达式（Generator Expression）。支持构建一个新的序列。

列表生成式

列表生成式用于生成列表。使用方式：[arg for loop if statements]。

示例如下：

import mindspore as ms

@ms.jit()
def test():
    l = [x * x for x in range(1, 11) if x % 2 == 0]
    return l

ret = test()
print('ret:{}'.format(ret))

结果如下：

ret:[4, 16, 36, 64, 100]

限制：

图模式下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.

字典生成式

字典生成式用于生成字典。使用方式：{key, value for loop if statements}。

示例如下：

import mindspore as ms

@ms.jit()
def test():
    x = [('a', 1), ('b', 2), ('c', 3)]
    res = {k: v for (k, v) in x if v > 1}
    return res

ret = test()
print('ret:{}'.format(ret))

结果如下：

ret:{'b': 2, 'c': 3}

限制：

图模式下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）：

x = ({'a': 1, 'b': 2}, {'d': 1, 'e': 2}, {'g': 1, 'h': 2})
res = {k: v for y in x for (k, v) in y.items()}

会提示错误：

TypeError:  The `generators` supports one `comprehension` in DictComp/GeneratorExp, but got 2 comprehensions.

生成器表达式

生成器表达式用于生成列表。使用方式：(arg for loop if statements)。

示例如下：

import mindspore as ms

@ms.jit()
def test():
    l = (x * x for x in range(1, 11) if x % 2 == 0)
    return l

ret = test()
print('ret:{}'.format(ret))

结果如下：

ret:[4, 16, 36, 64, 100]

使用限制同列表生成式。即：图模式下不支持多层嵌套迭代器的使用方式。

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__()。

值得注意的是with语句中使用的类需要有装饰器@ms.jit_class修饰或者继承于nn.Cell，更多介绍可见使用jit_class。

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]