mindspore.reshard
- mindspore.reshard(tensor, layout)[源代码]
指定输入张量的精准排布。其中,传入的layout需要为mindspore.Layout类型,可参考:
mindspore.Layout
的描述。在图模式下,可以利用此方法设置某个张量的并行切分策略,未设置的会自动通过策略传播方式配置。
在PyNative模式下,可以利用此方法,对某个以图模式进行并行执行的Cell(即PyNative模式下使用了Cell.shard/F.shard的Cell) 中的张量进行排布指定。
说明
自动并行模式(auto_parallel)下,如果搜索模式(search_mode)不为"sharding_propagation",则报错。
半自动并行模式(semi_auto_parallel)下,会自动设置为"auto_parallel"且搜索模式自动设置为 "sharding_propagation"。
- 参数:
tensor (Tensor) - 待设置切分策略的张量。
layout (Layout) - 指定精准排布的方案,包括描述设备的排布(device_matrix)和设备矩阵的映射别名(alias_name)。
- 返回:
Tensor,与输入的tensor数学等价。
- 异常:
TypeError - Reshard的第一个输入参数需要是Tensor类型,但是当前为 type(tensor) 类型。
TypeError - Reshard只支持输入mindspore.Layout类型作为layout参数,但当前为 type(layout) 类型。
样例:
>>> import numpy as np >>> import mindspore as ms >>> from mindspore import ops, nn, Tensor, context, Layout >>> context.set_context(mode=ms.GRAPH_MODE) >>> context.set_auto_parallel_context(parallel_mode=ms.ParallelMode.AUTO_PARALLEL, >>> search_mode="sharding_propagation") >>> class Network(nn.Cell): >>> def __init__(self): >>> super().__init__() >>> self.matmul = ops.MatMul() >>> self.relu = ops.ReLU() >>> def construct(self, x, layout): >>> x = self.relu(x) >>> x_reshard = ops.reshard(x, self.layout) >>> y = Tensor(np.ones(shape=(128, 128)), dtype=ms.float32) >>> x = self.matmul(x_reshard, y) >>> return x >>> >>> layout = Layout((4, 2), ("dp", "mp")) >>> input_layout = layout("dp", "mp") >>> net = Network() >>> tensor = Tensor(np.ones(shape=(128, 128)), dtype=ms.float32) >>> out = net(tensor, input_layout)