mindspore.amp.auto_mixed_precision

查看源文件
mindspore.amp.auto_mixed_precision(network, amp_level='O0', dtype=mstype.float16)[源代码]

返回一个经过自动混合精度处理的网络。

该接口会对输入网络进行自动混合精度处理，处理后的网络里的Cell和算子增加了精度转换操作，以低精度进行计算，如 mstype.float16 或 mstype.bfloat16 。 Cell和算子的输入和参数被转换成低精度浮点数，计算结果被转换回全精度浮点数，即 mstype.float32 。

框架内置了一组黑名单和白名单， amp_level 决定了具体对哪些Cell和算子进行精度转换。

当前的内置白名单内容为：

[mindspore.nn.Conv1d, mindspore.nn.Conv2d, mindspore.nn.Conv3d, mindspore.nn.Conv1dTranspose, mindspore.nn.Conv2dTranspose, mindspore.nn.Conv3dTranspose, mindspore.nn.Dense, mindspore.nn.LSTMCell, mindspore.nn.RNNCell, mindspore.nn.GRUCell, mindspore.ops.Conv2D, mindspore.ops.Conv3D, mindspore.ops.Conv2DTranspose, mindspore.ops.Conv3DTranspose, mindspore.ops.MatMul, mindspore.ops.BatchMatMul, mindspore.ops.PReLU, mindspore.ops.ReLU, mindspore.ops.Ger]

当前的内置黑名单内容为：

[mindspore.nn.BatchNorm1d, mindspore.nn.BatchNorm2d, mindspore.nn.BatchNorm3d, mindspore.nn.LayerNorm]

关于自动混合精度的详细介绍，请参考 自动混合精度 。

说明

  • 重复调用混合精度接口，如 custom_mixed_precision 和 auto_mixed_precision ，可能导致网络层数增大，性能降低。

  • 如果使用 mindspore.train.Model 和 mindspore.amp.build_train_network() 等接口来训练经 过 custom_mixed_precision 和 auto_mixed_precision 等混合精度接口转换后的网络，则需要将 amp_level 配置 为 O0 以避免重复的精度转换。

参数：

  • network (Cell) - 定义网络结构。

  • amp_level (str) - 支持[“O0”, “O1”, “O2”, “O3”]。默认值： "O0" 。

    • “O0” - 不变化。

    • “O1” - 仅将白名单内的Cell和算子转换为低精度运算，其余部分保持全精度运算。

    • “O2” - 黑名单内的Cell和算子保持全精度运算，其余部分都转换为低精度运算。

    • “O3” - 将网络全部转为低精度运算。

  • dtype (Type) - 低精度计算时使用的数据类型，可以是 mstype.float16 或 mstype.bfloat16 。默认值： mstype.float16 。

异常：

  • TypeError - network 不是Cell。

  • ValueError - amp_level 不在支持范围内。

  • ValueError - dtype 既不是 mstype.float16 也不是 mstype.bfloat16 。

样例：

>>> from mindspore import amp
>>> # Define the network structure of LeNet5. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.3.q1/docs/mindspore/code/lenet.py
>>> network = LeNet5()
>>> amp_level = "O1"
>>> net = amp.auto_mixed_precision(network, amp_level)