mindspore.ops.tensordump

mindspore.ops.tensordump(file_name, tensor, mode='out')[源代码]

将Tensor保存为Numpy的npy格式的文件。

在并行的场景下，该算子会保存不同计算卡上的数据分片。

在昇腾平台的静态图并行模式下，代码算子A –> 算子B 可能会被编译为算子A –> 重排算子 –> 算子B。

注：重排算子指在静态图并行场景中，由于设备间通信，算子切分策略而引入的算子。

对于算子A –> 算子B 的情况，算子A计算结果的输出等于算子B的输入。

然而对于算子A –> 重排算子 –> 算子B这样的情况，由于重排算子的插入，导致算子A的输出不再等价于算子B的输入。

假设一种情况是算子A的计算结果既作为算子B的输入，也作为tensordump算子的输入。则在该情况下，通过设置mode参数可以实现不同的保存数据的需求：

如果mode参数设置为'out'，保存的数据仅包含算子A的输出分片。
如果mode参数设置为'all'，保存的数据将包含算子A的输出分片以及算子B的输入分片。
如果mode参数设置为'in'，保存的数据将仅包含算子B的输入分片。

当mode参数被配置为'all'或'in'时，生成的输入分片所对应的npy文件命名格式为：id_fileName_cNodeID_dumpMode_rankID.npy。

当mode参数被配置为'all'或'out'时，生成的输出分片所对应的npy文件命名格式为：id_filename.npy。

id：一个自增的ID。
fileName：参数file_name的值（若该参数传入时是一个使用者指定的路径，则fileName的值为路径的最后一级）。
cNodeID：该tensordump节点在step_parallel_end.ir文件中的节点编号
dumpMode：mode参数的值。
rankID：逻辑卡号。

说明

当前该算子不支持在控制流中使用。
如果当前的并行模式为STAND_ALONE，参数mode只能设置为'out'。
如使用该算子时不设置参数mode，其默认值为'out'。

参数：

file_name (str) - npy文件的保存路径。
tensor (Tensor) - 输入的张量。
mode (str，可选) - 控制tensordump行为模式的参数，可选的值为 ['out', 'in', 'all'] 中的一个，默认值： out。

异常：

TypeError - file_name 不是一个str类型。
TypeError - tensor 不是一个Tensor类型。
TypeError - mode 不是一个str类型。
ValueError - mode 的值不是 ['out', 'in', 'all'] 之中的一个。

支持平台：

Ascend

样例：

说明

使用msrun命令运行下面的例子：msrun –worker_num=2 –local_worker_num=2 –master_port=11450 –log_dir=msrun_log –join=True –cluster_time_out=300 tensordump_example.py

>>> import numpy as np
>>> import mindspore as ms
>>> from mindspore import nn, Tensor, ops, context
>>> from mindspore.ops import operations as P
>>> from mindspore.communication import init, get_rank
>>> init()
>>> rank_id = get_rank()
>>> dump_path = f'dumps/rank_{rank_id}/mul1_mul2.npy'
>>> class Net(nn.Cell):
...     def __init__(self, strategy1, strategy2):
...         super(Net, self).__init__()
...         self.matmul1 = P.MatMul().shard(strategy1)
...         self.matmul2 = P.MatMul().shard(strategy2)
...
...     def construct(self, x, y, b):
...         out1 = self.matmul1(x, y)
...         ops.tensordump(dump_path, out1, 'all')
...         out2 = self.matmul2(out1, b)
...         return out2
...
>>> ms.set_context(mode=ms.GRAPH_MODE, save_graphs=2)
>>> context.set_auto_parallel_context(parallel_mode='semi_auto_parallel', full_batch=True)
>>> strategy1 = ((1, 2), (2, 1))
>>> strategy2 = ((1, 2), (2, 1))
>>> net = Net(strategy1, strategy2)
>>> x = Tensor(0.1 * np.random.randn(64, 64).astype(np.float32))
>>> y = Tensor(0.1 * np.random.randn(64, 64).astype(np.float32))
>>> b = Tensor(0.1 * np.random.randn(64, 64).astype(np.float32))
>>> out = net(x, y, b)
>>> print(f"out shape is: {out.shape}")
>>> matmul1_output_slice = np.load('0_mul1_mul2.npy')                       # load matmul1's output slice
>>> matmul2_input_slice = np.load('1_mul1_mul2_CNode_64_all_rank_0.npy')    # load matmul2's input slice