mindspore.set_context
- mindspore.set_context(**kwargs)[源代码]
设置运行环境的context。
在运行程序之前，应配置context。如果没有配置，默认情况下将根据设备目标进行自动设置。
说明
设置属性时，必须输入属性名称。net初始化后不建议更改模式，因为一些操作的实现在Graph模式和PyNative模式下是不同的。默认值：
PYNATIVE_MODE。某些配置适用于特定的设备，有关详细信息，请参见下表：
功能分类
配置参数
硬件平台支持
系统配置
device_id
CPU/GPU/Ascend
device_target
CPU/GPU/Ascend
max_device_memory
GPU/Ascend
variable_memory_max_size
Ascend
mempool_block_size
GPU/Ascend
op_timeout
GPU/Ascend
调试配置
save_graphs
CPU/GPU/Ascend
save_graphs_path
CPU/GPU/Ascend
enable_dump
Ascend
save_dump_path
Ascend
deterministic
Ascend
print_file_path
Ascend
env_config_path
CPU/GPU/Ascend
precompile_only
CPU/GPU/Ascend
reserve_class_name_in_scope
CPU/GPU/Ascend
pynative_synchronize
CPU/GPU/Ascend
debug_level
CPU/GPU/Ascend
执行控制
mode
CPU/GPU/Ascend
enable_graph_kernel
Ascend/GPU
graph_kernel_flags
Ascend/GPU
enable_reduce_precision
Ascend
aoe_tune_mode
Ascend
aoe_config
Ascend
check_bprop
CPU/GPU/Ascend
max_call_depth
CPU/GPU/Ascend
grad_for_scalar
CPU/GPU/Ascend
enable_compile_cache
CPU/GPU/Ascend
inter_op_parallel_num
CPU/GPU/Ascend
runtime_num_threads
CPU/GPU/Ascend
compile_cache_path
CPU/GPU/Ascend
disable_format_transform
GPU
support_binary
CPU/GPU/Ascend
memory_optimize_level
CPU/GPU/Ascend
memory_offload
GPU/Ascend
ascend_config
Ascend
jit_syntax_level
CPU/GPU/Ascend
gpu_config
GPU
- 参数：
device_id (int) - 表示目标设备的ID，其值必须在[0, device_num_per_host-1]范围中，且 device_num_per_host 的值不应超过4096。默认值：
0。device_target (str) - 表示待运行的目标设备，支持 ‘Ascend’、 ‘GPU’和 ‘CPU’。如果未设置此参数，则使用MindSpore包对应的后端设备。
max_device_memory (str) - 设置设备可用的最大内存。格式为”xxGB”。默认值：
1024GB。实际使用的内存大小是设备的可用内存和 max_device_memory 值中的最小值。 max_device_memory 需要在程序运行之前设置。variable_memory_max_size (str) - 此参数已弃用，将被删除。请使用 max_device_memory 。
mempool_block_size (str) - 设置设备内存池的块大小。格式为”xxGB”。默认值：
1GB。最小值是1GB。实际使用的内存池块大小是设备的可用内存和 mempool_block_size 值中的最小值。op_timeout (int) - 设置一个算子的最大执行时间，以秒为单位。如果执行时间超过这个值，系统将终止该任务。0意味着使用默认值，AI Core和AICPU算子在不同硬件上的默认值有差异，详细信息请查看 昇腾社区。MindSpore默认设置值：
900。save_graphs (bool 或 int) - 表示是否保存中间编译图。默认值：
0。可用的选项为：False或0：不保存中间编译图。
1：运行时会输出图编译过程中生成的一些中间文件。
True或2：生成更多后端流程相关的ir文件。
3：生成可视化计算图和更多详细的前端ir图。
当 save_graphs 属性设为
1、2、3或者True时， save_graphs_path 属性用于设置中间编译图的存储路径。默认情况下，计算图保存在当前目录下。save_graphs_path (str) - 表示保存计算图的路径。默认值：
"."。如果指定的目录不存在，系统将自动创建该目录。在分布式训练中，图形将被保存到 save_graphs_path/rank_${rank_id}/ 目录下。 rank_id 为集群中当前设备的ID。deterministic (str) - 表示是否使能算子确定性运行模式。值必须在[‘ON’,’OFF’]范围内，默认值：
'OFF'。ON：开启算子确定性运行模式。
OFF：关闭算子确定性运行模式。
当确定性开启时，模型中的算子将在Ascend中具有确定性。这意味着，如果算子在同一硬件上使用相同的输入运行多次，则每次都会有完全相同的输出。这对于调试模型很有用。
enable_dump (bool) - 此参数已弃用，将在下一版本中删除。
save_dump_path (str) - 此参数已弃用，将在下一版本中删除。
print_file_path (str) - 该路径用于保存打印数据。使用时
mindspore.ops.Print可以打印输入的张量或字符串信息，使用方法mindspore.parse_print()解析保存的文件。如果设置了此参数，打印数据保存到文件，未设置将显示到屏幕。如果保存的文件已经存在，则将添加时间戳后缀到文件中。将数据保存到文件解决了屏幕打印中的数据丢失问题，如果未设置，将报告错误:”prompt to set the upper absolute path”。env_config_path (str) - 通过 mindspore.set_context(env_config_path=”./mindspore_config.json”) 来设置MindSpore环境配置文件路径。
配置Running Data Recorder：
enable：表示在发生故障时是否启用Running Data Recorder去收集和保存训练中的关键数据。设置为
True时，将打开Running Data Recorder。设置为False时，将关闭Running Data Recorder。mode：设置导出数据时的RDR模式。当设置为
1时，RDR只在故障情况下输出数据。当设置为2时，RDR在故障情况和正常结束情况下输出数据。默认值：1。path：设置Running Data Recorder保存数据的路径。当前路径必须是一个绝对路径。
内存重用：
mem_Reuse：表示内存复用功能是否打开。设置为
True时，将打开内存复用功能。设置为False时，将关闭内存复用功能。
配置详细信息，请查看 Running Data Recorder 和 内存复用 。
precompile_only (bool) - 表示是否仅预编译网络。默认值：
False。设置为True时，仅编译网络，而不执行网络。reserve_class_name_in_scope (bool) - 表示是否将网络类名称保存到所属ScopeName中。默认值：
True。每个节点都有一个ScopeName。子节点的ScopeName是其父节点。如果 reserve_class_name_in_scope 设置为True，则类名将保存在ScopeName中的关键字”net-“之后。例如：Default/net-Net1/net-Net2 (reserve_class_name_in_scope=True)
Default/net/net (reserve_class_name_in_scope=False)
pynative_synchronize (bool) - 表示是否在PyNative模式下启动设备同步执行。默认值：
False。设置为False时，将在设备上异步执行算子。当算子执行出错时，将无法定位特定错误脚本代码的位置。当设置为True时，将在设备上同步执行算子。这将降低程序的执行性能。此时，当算子执行出错时，可以根据错误的调用栈来定位错误脚本代码的位置。mode (int) - 表示在GRAPH_MODE(0)或PYNATIVE_MODE(1)模式中运行，两种模式都支持所有后端。默认值：
PYNATIVE_MODE。enable_graph_kernel (bool) - 表示开启图算融合去优化网络执行性能。默认值：
False。如果 enable_graph_kernel 设置为True，则可以启用加速。有关图算融合的详细信息，请查看 使能图算融合 。graph_kernel_flags (str) - 图算融合的优化选项，当与enable_graph_kernel冲突时，它的优先级更高。其仅适用于有经验的用户。例如：
mindspore.set_context(graph_kernel_flags="--opt_level=2 --dump_as_text")
一些常用选项：
opt_level：设置优化级别。默认值：
2。当opt_level的值大于0时，启动图算融合。可选值包括：0：关闭图算融合。
1：启动算子的基本融合。
2：包括级别1的所有优化，并打开更多的优化，如CSE优化算法、算术简化等。
3：包括级别2的所有优化，并打开更多的优化，如SitchingFusion、ParallelFusion等。在某些场景下，该级别的优化激进且不稳定。使用此级别时要小心。
dump_as_text：将关键过程的详细信息生成文本文件保存到”graph_kernel_dump”目录里。默认值：
False。
enable_reduce_precision (bool) - 表示是否开启降低精度计算。默认值：
True。设置为True时，不支持用户指定的精度，且精度将自动更改。设置为False时，如果未指定用例的精度，则会报错并退出。aoe_tune_mode (str) - 表示启动AOE调优，默认不设置。设置为
online时，将启动在线调优，设置为offline时，将为离线调优保存GE图 。aoe_config (dict) - 设置aoe工具专用的参数，默认不设置。
job_type (str): 设置调优类型，有算子调优和子图调优。默认为算子调优。
"1": 设置为子图调优。"2": 设置为算子调优。
check_bprop (bool) - 表示是否检查反向传播节点，以确保反向传播节点输出的shape和数据类型与输入参数相同。默认值：
False。max_call_depth (int) - 指定函数调用的最大深度。其值必须为正整数。默认值：
1000。当嵌套Cell太深或子图数量太多时，需要设置 max_call_depth 参数。系统最大堆栈深度应随着 max_call_depth 的调整而设置为更大的值，否则可能会因为系统堆栈溢出而引发 “core dumped” 异常。grad_for_scalar (bool) - 表示是否获取标量梯度。默认值：
False。当 grad_for_scalar 设置为True时，则可以导出函数的标量输入。由于后端目前不支持伸缩操作，所以该接口只支持在前端可推演的简单操作。enable_compile_cache (bool) - 表示是否加载或者保存前端编译的图。当 enable_compile_cache 被设置为True时，在第一次执行的过程中，一个硬件无关的编译缓存会被生成并且导出为一个MINDIR文件。当该网络被再次执行时，如果 enable_compile_cache 仍然为True并且网络脚本没有被更改，那么这个编译缓存会被加载。注意目前只支持有限的Python脚本更改的自动检测，这意味着可能有正确性风险。默认值：
False。这是一个实验特性，可能会被更改或者删除。compile_cache_path (str) - 保存编译缓存的路径。默认值：
"."。如果目录不存在，系统会自动创建这个目录。缓存会被保存到如下目录： compile_cache_path/rank_${rank_id}/ 。 rank_id 是集群上当前设备的ID。inter_op_parallel_num (int) - 算子间并行数控制。 默认值为
0，表示由框架默认指定。runtime_num_threads (int) - 运行时actor和CPU算子核使用的线程池线程数，必须大于等于
0。默认值为30，如果同时运行多个进程，应将该值设置得小一些，以避免线程争用。disable_format_transform (bool) - 表示是否取消NCHW到NHWC的自动格式转换功能。当fp16的网络性能不如fp32的时，可以设置 disable_format_transform 为
True，以尝试提高训练性能。默认值：False。support_binary (bool) - 是否支持在图形模式下运行.pyc或.so。如果要支持在图形模式下运行.so或.pyc，可将 support_binary 置为
True，并运行一次.py文件，从而将接口源码保存到接口定义.py文件中，因此要保证该文件可写。然后将.py文件编译成.pyc或.so文件，即可在图模式下运行。memory_optimize_level (str) - 内存优化级别，Ascend平台下默认值
O1，其他平台默认值：O0。其值必须在 [‘O0’, ‘O1’] 范围中。O0: 执行性能优先，关闭 SOMAS (Safe Optimized Memory Allocation Solver) 和一些其他内存优化。
O1: 内存性能优先，使能 SOMAS 和一些其他内存优化。
memory_offload (str) - 是否开启Offload功能，在内存不足场景下将空闲数据临时拷贝至Host侧内存。其值必须在[‘ON’, ‘OFF’]范围中，默认值为
'OFF'。ON：开启memory offload功能。在Ascend硬件平台，未设置JitConfig接口的jit_level=’O0’时本参数不生效；设置memory_optimize_level=’O1’时本参数不生效。
OFF：关闭memory offload功能。
ascend_config (dict) - 设置Ascend硬件平台专用的参数，默认不设置。 precision_mode、jit_compile和atomic_clean_policy参数的默认值属于实验性质参数，将来可能会发生变化。
precision_mode (str): 混合精度模式设置。推理网络默认值：
force_fp16。其值范围如下：force_fp16: 当算子既支持float16，又支持float32时，直接选择float16。
allow_fp32_to_fp16: 当算子不支持float32数据类型时，直接降低精度float16。
allow_mix_precision: 自动混合精度，针对全网算子，按照内置的优化策略，自动将部分算子的精度降低到float16或bfloat16。
must_keep_origin_dtype: 保持原图精度。
force_fp32: 当矩阵计算的算子输入为float16，输出既支持float16又支持float32时，强制转换成float32输出。
allow_fp32_to_bf16: 当算子不支持float32数据类型时，直接降低精度到bfloat16。
allow_mix_precision_fp16: 自动混合精度，针对全网算子，按照内置的优化策略，自动将部分算子的精度降低到float16。
allow_mix_precision_bf16: 自动混合精度，针对全网算子，按照内置的优化策略，自动将部分算子的精度降低到bfloat16。
jit_compile (bool): 表示是否选择在线编译。当设置为
True时，优先选择在线编译，当设置为False时，优先选择系统中已经编译好的算子二进制文件，提升编译性能。默认设置为静态shape选择在线编译，动态shape选择算子二进制文件。atomic_clean_policy (int): 表示清理网络中atomic算子占用的内存的策略。默认值：
1。0：集中清理网络中所有atomic算子占用的内存。
1：不集中清理内存，对网络中每一个atomic算子进行单独清零。当网络中内存超限时，可以尝试此种清理方式，但可能会导致一定的性能损耗。
matmul_allow_hf32 (bool): 是否为Matmul类算子使能FP32转换为HF32。默认值：
False。这是一个实验特性，可能会被更改或者删除。如果您想了解更多详细信息， 请查询 昇腾社区 了解。conv_allow_hf32 (bool): 是否为Conv类算子使能FP32转换为HF32。默认值：
True。这是一个实验特性，可能会被更改或者删除。如果您想了解更多详细信息， 请查询 昇腾社区 了解。exception_dump (str): 开启Ascend算子异常dump，提供计算异常时候的输入输出信息。可以为
"0"，"1"，"2"。为"0"时关闭异常dump；为"1"时dump出AICore和AICPU异常算子输入输出数据；为"2"时dump出AICore异常算子输入数据。默认值："2"。op_precision_mode (str): 算子精度模式配置文件的所在路径。如果您想了解更多详细信息, 请查询 昇腾社区 了解。
ge_options (dict): 设置CANN的options配置项，配置项分为
global和session二类 。这是一个实验特性，可能会被更改或者删除。 详细的配置请查询 options配置说明 。 ge_options 中的配置项可能与 ascend_config 中的配置项重复，若同时设置了 ascend_config 和 ge_options 中的相同配置项，则以 ge_options 中设置的为准。global (dict): 设置global类的选项。
session (dict): 设置session类的选项。
parallel_speed_up_json_path (Union[str, None]): 并行加速配置文件，配置项可以参考 parallel_speed_up.json 。 当设置为None时，表示不启用。
recompute_comm_overlap (bool): 为
True时表示开启反向重计算和通信掩盖。默认值：False。matmul_grad_comm_overlap (bool): 为
True时表示开启反向Matmul和通信掩盖。默认值：False。enable_task_opt (bool): 为
True时表示开启通信算子task数量优化。默认值：False。enable_grad_comm_opt (bool): 为
True时表示开启梯度dx计算与数据并行梯度通信的掩盖，暂时不支持 LazyInline 功能下开启。默认值：False。enable_opt_shard_comm_opt (bool): 为
True时表示开启正向计算与优化器并行的AllGather通信的掩盖，暂时不支持 LazyInline 功能下开启。默认值：False。enable_concat_eliminate_opt (bool): 为
True时表示开启Concat消除优化，当前在开启细粒度双副本优化时有收益。默认值：False。enable_begin_end_inline_opt (bool): 为
True时表示开启首尾micro_batch子图的内联，用于半自动并行子图模式，流水线并行场景，一般需要和其它通信计算掩盖优化一起使用。默认值：False。compute_communicate_fusion_level (int): 控制通算融合的级别。默认值：
0。0: 不启用通算融合。
1: 仅对前向节点使能通算融合。
2: 仅对反向节点使能通算融合。
3: 对所有节点使能通算融合。
host_scheduling_max_threshold (int): 控制静态小图（根图）执行时是否使用动态shape调度的最大阈值，默认阈值为0。如果静态根图节点个数小于最大阈值，则使用动态shape调度。大模型场景，该方式可以节约stream资源。如果静态根图节点个数大于最大阈值，则保持原有流程不变。
jit_syntax_level (int) - 当通过GRAPH_MODE或者@jit装饰器触发图编译时，此选项用于设置JIT语法支持级别。 其值必须为
STRICT或LAX，默认值为LAX。全部级别都支持所有后端。STRICT: 仅支持基础语法，且执行性能最佳。可用于MindIR导入导出。LAX: 最大程度地兼容Python所有语法。执行性能可能会受影响，不是最佳。由于存在可能无法导出的语法，不能用于MindIR导入导出。
debug_level (int) - 设置调试过程的配置。其值必须为
RELEASE或DEBUG。默认值：RELEASE。RELEASE: 正常场景下使用，一些调试信息会被丢弃以获取一个较好的编译性能。DEBUG: 当错误发生时，用来调试，在编译过程中，更多的调试信息会被记录下来。
gpu_config (dict) - 设置GPU硬件平台专用的参数，默认不设置。 目前只支持GPU硬件平台上设置conv_fprop_algo、conv_dgrad_algo、conv_wgrad_algo、conv_allow_tf32和matmul_allow_tf32参数。
conv_fprop_algo (str): 指定Cudnn的卷积前向算法。默认值：
normal。其值范围如下：normal:使用Cudnn自带的启发式搜索算法，会根据卷积形状和类型快速选择合适的卷积算法。该参数不保证性能最优。
performance: 使用Cudnn自带的试运行搜索算法，会根据卷积形状和类型试运行所有卷积算法，然后选择最优算法。该参数保证性能最优。
implicit_gemm: 该算法将卷积隐式转换成矩阵乘法，完成计算。不需要显式将输入张量数据转换成矩阵形式保存。
implicit_precomp_gemm: 该算法将卷积隐式转换成矩阵乘法，完成计算。但是需要一些额外的内存空间去保存预计算得到的索引值，以便隐式地将输入张量数据转换成矩阵形式。
gemm: 该算法将卷积显式转换成矩阵乘法，完成计算。在显式完成矩阵乘法过程中，需要额外申请内存空间，将输入转换成矩阵形式。
direct: 该算法直接完成卷积计算，不会隐式或显式的将卷积转换成矩阵乘法。
fft: 该算法利用快速傅里叶变换完成卷积计算。需要额外申请内存空间，保存中间结果。
fft_tiling: 该算法利用快速傅里叶变换完成卷积计算，但是需要对输入进行分块。同样需要额外申请内存空间，保存中间结果，但是对大尺寸的输入，所需内存空间小于
fft算法。winograd: 该算法利用Winograd变换完成卷积计算。需要额外申请内存空间，保存中间结果。
winograd_nonfused: 该算法利用Winograd变形算法完成卷积计算。需要额外申请内存空间，保存中间结果。
conv_dgrad_algo (str): 指定Cudnn的卷积输入数据的反向算法。默认值：
normal。其值范围如下：normal:使用Cudnn自带的启发式搜索算法，会根据卷积形状和类型快速选择合适的卷积算法。该参数不保证性能最优。
performance: 使用Cudnn自带的试运行搜索算法，会根据卷积形状和类型试运行所有卷积算法，然后选择最优算法。该参数保证性能最优。
algo_0: 该算法将卷积表示为矩阵乘积的和，而没有实际显式地形成保存输入张量数据的矩阵。求和使用原子加法操作完成，因此结果是不确定的。
algo_1: 该算法将卷积表示为矩阵乘积，而没有实际显式地形成保存输入张量数据的矩阵。结果是确定的。
fft: 该算法利用快速傅里叶变换完成卷积计算。需要额外申请内存空间，保存中间结果。结果是确定的。
fft_tiling: 该算法利用快速傅里叶变换完成卷积计算，但是需要对输入进行分块。同样需要额外申请内存空间，保存中间结果，但是对大尺寸的输入，所需内存空间小于
fft算法。结果是确定的。winograd: 该算法利用Winograd变换完成卷积计算。需要额外申请内存空间，保存中间结果。结果是确定的。
winograd_nonfused: 该算法利用Winograd变形算法完成卷积计算。需要额外申请内存空间，保存中间结果。结果是确定的。
conv_wgrad_algo (str): 指定Cudnn的卷积输入卷积核的反向算法。默认值：
normal。其值范围如下：normal:使用Cudnn自带的启发式搜索算法，会根据卷积形状和类型快速选择合适的卷积算法。该参数不保证性能最优。
performance: 使用Cudnn自带的试运行搜索算法，会根据卷积形状和类型试运行所有卷积算法，然后选择最优算法。该参数保证性能最优。
algo_0: 该算法将卷积表示为矩阵乘积的和，而没有实际显式地形成保存输入张量数据的矩阵。求和使用原子加法操作完成，因此结果是不确定的。
algo_1: 该算法将卷积表示为矩阵乘积，而没有实际显式地形成保存输入张量数据的矩阵。结果是确定的。
algo_3: 该算法类似于
algo_0，但使用一些小的工作空间来预计算一些索引。结果也是不确定的。fft: 该算法利用快速傅里叶变换完成卷积计算。需要额外申请内存空间，保存中间结果。结果是确定的。
fft_tiling: 该算法利用快速傅里叶变换完成卷积计算，但是需要对输入进行分块。同样需要额外申请内存空间，保存中间结果，但是对大尺寸的输入，所需内存空间小于
fft算法。结果是确定的。winograd_nonfused: 该算法利用Winograd变形算法完成卷积计算。需要额外申请内存空间，保存中间结果。结果是确定的。
conv_allow_tf32 (bool): 该标志表示是否开启卷积在CUDNN下的TF32张量核计算。默认值：
True。matmul_allow_tf32 (bool): 该标志表示是否开启矩阵乘在CUBLAS下的TF32张量核计算。默认值：
False。
- 异常：
ValueError - 输入key不是上下文中的属性。
样例：
>>> import mindspore as ms >>> ms.set_context(mode=ms.PYNATIVE_MODE) >>> ms.set_context(precompile_only=True) >>> ms.set_context(device_target="Ascend") >>> ms.set_context(device_id=0) >>> ms.set_context(save_graphs=True, save_graphs_path="./model.ms") >>> ms.set_context(enable_reduce_precision=True) >>> ms.set_context(enable_graph_kernel=True) >>> ms.set_context(graph_kernel_flags="--opt_level=2 --dump_as_text") >>> ms.set_context(reserve_class_name_in_scope=True) >>> ms.set_context(variable_memory_max_size="6GB") >>> ms.set_context(aoe_tune_mode="online") >>> ms.set_context(aoe_config={"job_type": "2"}) >>> ms.set_context(check_bprop=True) >>> ms.set_context(max_device_memory="3.5GB") >>> ms.set_context(mempool_block_size="1GB") >>> ms.set_context(print_file_path="print.pb") >>> ms.set_context(max_call_depth=80) >>> ms.set_context(env_config_path="./env_config.json") >>> ms.set_context(grad_for_scalar=True) >>> ms.set_context(enable_compile_cache=True, compile_cache_path="./cache.ms") >>> ms.set_context(pynative_synchronize=True) >>> ms.set_context(runtime_num_threads=10) >>> ms.set_context(inter_op_parallel_num=4) >>> ms.set_context(disable_format_transform=True) >>> ms.set_context(memory_optimize_level='O0') >>> ms.set_context(memory_offload='ON') >>> ms.set_context(deterministic='ON') >>> ms.set_context(ascend_config={"precision_mode": "force_fp16", "jit_compile": True, ... "atomic_clean_policy": 1, "op_precision_mode": "./op_precision_config_file", ... "ge_options": {"global": {"ge.opSelectImplmode": "high_precision"}, ... "session": {"ge.exec.atomicCleanPolicy": "0"}}}) >>> ms.set_context(jit_syntax_level=ms.STRICT) >>> ms.set_context(debug_level=ms.DEBUG) >>> ms.set_context(gpu_config={"conv_fprop_algo": "performance", "conv_allow_tf32": True, ... "matmul_allow_tf32": True})