mindspore.train.Model

class mindspore.train.Model(network, loss_fn=None, optimizer=None, metrics=None, eval_network=None, eval_indexes=None, amp_level='O0', boost_level='O0', **kwargs)[源代码]

模型训练或推理的高阶接口。 Model 会根据用户传入的参数封装可训练或推理的实例。

说明

如果使用混合精度功能，需要同时设置 optimizer 参数，否则混合精度功能不生效。当使用混合精度时，优化器中的 global_step 可能与模型中的 cur_step_num 不同。
使用 custom_mixed_precision 或 auto_mixed_precision 进行精度转换后，不支持再次使用其他接口进行精度转换。如果使用 Model 来训练转换后的网络，则需要将 amp_level 配置为 O0 以避免重复的精度转换。

参数：

network (Cell) - 用于训练或推理的神经网络。
loss_fn (Cell) - 损失函数。如果 loss_fn 为None，network 中需要进行损失函数计算。默认值： None 。
optimizer (Cell) - 用于更新网络权重的优化器。如果 optimizer 为None，那么 network 的网络结构里需要包括反向传播和权重更新逻辑。默认值： None 。
metrics (Union[dict, set]) - 用于模型评估的一组评价函数。例如：{'accuracy', 'recall'}。默认值： None 。
eval_network (Cell) - 用于评估的神经网络。未定义情况下，Model 会使用 network 和 loss_fn 封装一个 eval_network 。默认值： None 。
eval_indexes (list) - 在定义 eval_network 的情况下使用。如果 eval_indexes 为默认值None，Model 会将 eval_network 的所有输出传给 metrics 。如果配置 eval_indexes ，必须包含三个元素，分别为损失值、预测值和标签在 eval_network 输出中的位置，此时，损失值将传给损失评价函数，预测值和标签将传给其他评价函数。推荐使用评价函数的 mindspore.train.Metric.set_indexes() 代替 eval_indexes 。默认值： None 。
amp_level (str) - mindspore.amp.build_train_network 的可选参数 level ， level 为混合精度等级，该参数支持["O0", "O1", "O2", "O3", "auto"]。默认值： "O0" 。

amp_level 的详细配置信息可参考 mindspore.amp.auto_mixed_precision() 。

通过 kwargs 设置 keep_batchnorm_fp32 ，可修改BatchNorm的精度策略， keep_batchnorm_fp32 必须为bool类型；通过 kwargs 设置 loss_scale_manager 可修改损失缩放策略，loss_scale_manager 必须为 mindspore.amp.LossScaleManager 的子类，
boost_level (str) - mindspore.boost 的可选参数，为boost模式训练等级。支持["O0", "O1", "O2"]。默认值： "O0" 。
- "O0": 不变化。
- "O1": 启用boost模式，性能将提升约20%，准确率保持不变。
- "O2": 启用boost模式，性能将提升约30%，准确率下降小于3%。
如果想自行配置boost模式，可以将 boost_config_dict 设置为 boost.py。为使功能生效，需要同时设置optimizer、eval_network或metric参数。注意：当前默认开启的优化仅适用部分网络，并非所有网络都能获得相同收益。建议在图模式+Ascend平台下开启该模式，同时为了获取更好的加速效果，请参考文档配置boost_config_dict。

样例：

>>> from mindspore import nn
>>> from mindspore.train import Model
>>>
>>> # Define the network structure of LeNet5. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.4.0/docs/mindspore/code/lenet.py
>>> net = LeNet5()
>>> loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True)
>>> optim = nn.Momentum(params=net.trainable_params(), learning_rate=0.1, momentum=0.9)
>>> model = Model(net, loss_fn=loss, optimizer=optim, metrics=None)
>>> model.train_network
>>> model.predict_network
>>> model.eval_network
>>> # Create the dataset taking MNIST as an example. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.4.0/docs/mindspore/code/mnist.py
>>> dataset = create_dataset()
>>> model.train(2, dataset)

build(train_dataset=None, valid_dataset=None, sink_size=- 1, epoch=1)[源代码]

数据下沉模式下构建计算图和数据图。

警告

这是一个实验性API，后续可能修改或删除。

说明

如果预先调用该接口构建计算图，那么 Model.train 会直接执行计算图。预构建计算图目前仅支持GRAPH_MODE模式和Ascend处理器。仅支持数据下沉模式。

参数：

train_dataset (Dataset) - 一个训练集迭代器。如果定义了 train_dataset ，将会构建训练计算图。默认值： None 。
valid_dataset (Dataset) - 一个验证集迭代器。如果定义了 valid_dataset ，将会构建验证计算图，此时 Model 中的 metrics 不能为None。默认值： None 。
sink_size (int) - 控制每次数据下沉的step数量。默认值： -1 。
epoch (int) - 控制训练轮次。默认值： 1 。

样例：

>>> from mindspore import nn
>>> from mindspore.train import Model
>>> from mindspore.amp import FixedLossScaleManager
>>>
>>> # Create the dataset taking MNIST as an example. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.4.0/docs/mindspore/code/mnist.py
>>> dataset = create_dataset()
>>> # Define the network structure of LeNet5. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.4.0/docs/mindspore/code/lenet.py
>>> net = LeNet5()
>>> loss = nn.SoftmaxCrossEntropyWithLogits()
>>> loss_scale_manager = FixedLossScaleManager()
>>> optim = nn.Momentum(params=net.trainable_params(), learning_rate=0.1, momentum=0.9)
>>> model = Model(net, loss_fn=loss, optimizer=optim, metrics=None,
...                  loss_scale_manager=loss_scale_manager)
>>> model.build(dataset, epoch=2)
>>> model.train(2, dataset)

eval(valid_dataset, callbacks=None, dataset_sink_mode=False)[源代码]

模型评估接口。

使用PyNative模式或CPU处理器时，模型评估流程将以非下沉模式执行。

说明

如果 dataset_sink_mode 配置为True，数据将被发送到处理器中。此时数据集与模型绑定，数据集仅能在当前模型中使用。如果处理器是Ascend，数据特征将被逐一传输。每次数据传输的上限是256M。该接口会构建并执行计算图。如果使用前先执行了 Model.build ，那么它会直接执行计算图而不构建。

参数：

valid_dataset (Dataset) - 评估模型的数据集。
callbacks (Optional[list(Callback), Callback]) - 评估过程中需要执行的回调对象或回调对象列表。默认值： None 。
dataset_sink_mode (bool) - 数据是否直接下沉至处理器进行处理。默认值： False 。

返回：

Dict，key是用户定义的评价指标名称，value是以推理模式运行的评估结果。

样例：

>>> from mindspore import nn
>>> from mindspore.train import Model
>>>
>>> # Create the dataset taking MNIST as an example. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.4.0/docs/mindspore/code/mnist.py
>>> dataset = create_dataset()
>>> # Define the network structure of LeNet5. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.4.0/docs/mindspore/code/lenet.py
>>> net = LeNet5()
>>> loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True)
>>> model = Model(net, loss_fn=loss, optimizer=None, metrics={'acc'})
>>> acc = model.eval(dataset, dataset_sink_mode=False)

教程样例：

高阶封装：Model - 训练及保存模型

property eval_network

获取该模型的评价网络。

返回：: 评估网络实例。

fit(epoch, train_dataset, valid_dataset=None, valid_frequency=1, callbacks=None, dataset_sink_mode=False, valid_dataset_sink_mode=False, sink_size=- 1, initial_epoch=0)[源代码]

模型边训练边推理接口。

如果 valid_dataset 不为None，在训练过程中同时执行推理。

更多详细信息请参考 mindspore.train.Model.train() 和 mindspore.train.Model.eval()。

参数：

epoch (int) - 训练执行轮次。通常每个epoch都会使用全量数据集进行训练。当 dataset_sink_mode 设置为True且 sink_size 大于零时，则每个epoch训练次数为 sink_size 而不是数据集的总步数。如果 epoch 与 initial_epoch 一起使用，它表示训练的最后一个 epoch 是多少。
train_dataset (Dataset) - 训练数据集迭代器。如果定义了 loss_fn ，则数据和标签会被分别传给 network 和 loss_fn ，此时数据集需要返回一个元组（data, label）。如果数据集中有多个数据或者标签，可以设置 loss_fn 为None，并在 network 中实现损失函数计算，此时数据集返回的所有数据组成的元组（data1, data2, data3, …）会传给 network 。
valid_dataset (Dataset) - 评估模型的数据集迭代器。默认值： None 。
valid_frequency (int, list) - 此参数只有在valid_dataset不为None时生效。如果为int类型，表示执行推理的频率，例如 valid_frequency=2，则每2个训练epoch执行一次推理；如果为list类型，指明在哪几个epoch时执行推理，例如 valid_frequency=[1, 5]，则在第1个和第5个epoch执行推理。默认值： 1 。
callbacks (Optional[list[Callback], Callback]) - 训练过程中需要执行的回调对象或者回调对象列表。默认值： None 。
dataset_sink_mode (bool) - 训练数据是否直接下沉至处理器进行处理。使用PYNATIVE_MODE模式或CPU处理器时，模型训练流程将以非下沉模式执行。默认值： False 。
valid_dataset_sink_mode (bool) - 推理数据是否直接下沉至处理器进行处理。默认值： False 。
sink_size (int) - 控制每次数据下沉的step数量。dataset_sink_mode 为False时 sink_size 无效。如果sink_size=-1，则每一次epoch下沉完整数据集。如果sink_size>0，则每一次epoch下沉数据量为sink_size的数据集。默认值： -1 。
initial_epoch (int) - 从哪个epoch开始训练，一般用于中断恢复训练场景。默认值： 0 。

样例：

>>> from mindspore import nn
>>> from mindspore.train import Model
>>>
>>> # Create the dataset taking MNIST as an example. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.4.0/docs/mindspore/code/mnist.py
>>> train_dataset = create_dataset("train")
>>> valid_dataset = create_dataset("test")
>>> # Define the network structure of LeNet5. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.4.0/docs/mindspore/code/lenet.py
>>> net = LeNet5()
>>> loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True)
>>> optim = nn.Momentum(params=net.trainable_params(), learning_rate=0.1, momentum=0.9)
>>> model = Model(net, loss_fn=loss, optimizer=optim, metrics={"accuracy"})
>>> model.fit(2, train_dataset, valid_dataset)

教程样例：

高阶封装：Model - 训练及保存模型

infer_predict_layout(*predict_data, skip_backend_compile=False)[源代码]

在 AUTO_PARALLEL 或 SEMI_AUTO_PARALLEL 模式下为预测网络生成参数layout。数据可以是单个或多个张量。

说明

同一批次数据应放在一个张量中。

参数：

predict_data (Union[Tensor, list[Tensor], tuple[Tensor]], 可选) - 预测样本，数据可以是单个张量、张量列表或张量元组。
skip_backend_compile (bool) - 生成参数layout时跳过后端编译流程。一般用于后端编译模型大小超过卡上内存的场景，其他场景不建议开启，开启时本次编译的缓存无法在二次编译时被使用。默认值： False。

返回：

Dict，用于加载分布式checkpoint的参数layout字典。它总是作为 load_distributed_checkpoint() 函数的一个入参。

异常：

RuntimeError - 非图模式（GRAPH_MODE）将会抛出该异常。

样例：

>>> # This example should be run with multiple devices. Refer to the tutorial > Distributed Training on
>>> # mindspore.cn.
>>> import numpy as np
>>> import mindspore as ms
>>> from mindspore import Tensor
>>> from mindspore.train import Model
>>> from mindspore.communication import init
>>>
>>> ms.set_context(mode=ms.GRAPH_MODE)
>>> init()
>>> ms.set_auto_parallel_context(full_batch=True, parallel_mode=ms.ParallelMode.SEMI_AUTO_PARALLEL)
>>> input_data = Tensor(np.random.randint(0, 255, [1, 1, 32, 32]), ms.float32)
>>> model = Model(Net())
>>> predict_map = model.infer_predict_layout(input_data)

infer_train_layout(train_dataset, dataset_sink_mode=True, sink_size=- 1)[源代码]

在 AUTO_PARALLEL 或 SEMI_AUTO_PARALLEL 模式下为训练网络生成参数layout。当前仅支持在数据下沉模式下使用。

警告

这是一个实验性API，后续可能修改或删除。

说明

这是一个预编译函数。参数必须与Model.train()函数相同。

参数：

train_dataset (Dataset) - 一个训练数据集迭代器。如果没有损失函数（loss_fn），返回一个包含多个数据的元组（data1, data2, data3, …）并传递给网络。否则，返回一个元组（data, label），数据和标签将被分别传递给网络和损失函数。
dataset_sink_mode (bool) - 决定是否以数据集下沉模式进行训练。默认值： True 。PyNative模式下或处理器为CPU时，训练模型流程使用的是数据不下沉（non-sink）模式。默认值： True 。
sink_size (int) - 控制每次数据下沉的step数量，如果 sink_size =-1，则每一次epoch下沉完整数据集。如果 sink_size >0，则每一次epoch下沉数据量为 sink_size 的数据集。如果 dataset_sink_mode 为False，则设置 sink_size 为无效。默认值： -1 。

返回：

Dict，用于加载分布式checkpoint的参数layout字典。

样例：

>>> # This example should be run with multiple devices. Refer to the tutorial > Distributed Training on
>>> # mindspore.cn.
>>> import numpy as np
>>> import mindspore as ms
>>> from mindspore import Tensor, nn
>>> from mindspore.train import Model
>>> from mindspore.communication import init
>>>
>>> ms.set_context(mode=ms.GRAPH_MODE)
>>> init()
>>> ms.set_auto_parallel_context(parallel_mode=ms.ParallelMode.SEMI_AUTO_PARALLEL)
>>>
>>> # Create the dataset taking MNIST as an example. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.4.0/docs/mindspore/code/mnist.py
>>> dataset = create_dataset()
>>> # Define the network structure of LeNet5. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.4.0/docs/mindspore/code/lenet.py
>>> net = LeNet5()
>>> loss = nn.SoftmaxCrossEntropyWithLogits()
>>> loss_scale_manager = ms.FixedLossScaleManager()
>>> optim = nn.Momentum(params=net.trainable_params(), learning_rate=0.1, momentum=0.9)
>>> model = Model(net, loss_fn=loss, optimizer=optim, metrics=None,
...                  loss_scale_manager=loss_scale_manager)
>>> layout_dict = model.infer_train_layout(dataset)

predict(*predict_data, backend=None, config=None)[源代码]

输入样本得到预测结果。

参数：

predict_data (Union[Tensor, list[Tensor], tuple[Tensor]], 可选) - 预测样本，数据可以是单个张量、张量列表或张量元组。
backend (str) - 选择预测后端，该参数为实验性质特性，主要用于MindSpore Lite云侧推理。默认值： None 。
config (dict，可选) - 当后端为 ‘lite’ 时，config 参数使能。config 包括两个部分：config_path（configPath，str）和 config_item（str，dict）。当 config_item 设置时，其优先级高于 config_path。设置推理的排名表文件。配置文件的内容如下：

config_path 定义配置文件的路径，用于在构建模型期间传递用户定义选项。在以下场景中，用户可能需要设置参数。例如："/home/user/config.ini"。默认值： "" , 以下是 config.ini 文件的内容：
```
[ascend_context]
rank_table_file=[path_a]（存储rank table文件的初始路径）
[execution_plan]
[op_name1]=data_type:float16（名字为op_name1的算子设置数据类型为float16）
[op_name2]=data_type:float32（名字为op_name2的算子设置数据类型为float32）
```
当只配置config_path的方式如下：
```
config = {"configPath" : "/home/user/config.ini"}
```
config_dict 配置参数字典，当只配置config_dict的方式如下：
```
config = {"ascend_context" : {"rank_table_file" : "path_b"}, "execution_plan" : {"op_name1" : "data_type:float16", "op_name2" : "data_type:float32"}}
```
当同时配置config_path 和 config_dict的方式如下：
```
config = {"configPath" : "/home/user/config.ini", "ascend_context" : {"rank_table_file" : "path_b"}, "execution_plan" : {"op_name3" : "data_type:float16", "op_name4" : "data_type:float32"}}
```
注意到 config_dict 和 config_item均配置了"configPath"，此时以 config_dict 中的 "path_b" 为准。

返回：

返回预测结果，类型是Tensor或Tensor元组。

样例：

>>> import numpy as np
>>> import mindspore
>>> from mindspore import Tensor
>>> from mindspore.train import Model
>>>
>>> input_data = Tensor(np.random.randint(0, 255, [1, 1, 32, 32]), mindspore.float32)
>>> # Define the network structure of LeNet5. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.4.0/docs/mindspore/code/lenet.py
>>> model = Model(LeNet5())
>>> result = model.predict(input_data)

property predict_network

获得该模型的预测网络。

返回：: 预测网络实例。

train(epoch, train_dataset, callbacks=None, dataset_sink_mode=False, sink_size=- 1, initial_epoch=0)[源代码]

模型训练接口。

使用PYNATIVE_MODE模式或CPU处理器时，模型训练流程将以非下沉模式执行。

说明

如果 dataset_sink_mode 配置为True，数据将被送到处理器中。如果处理器是Ascend，数据特征将被逐一传输，每次数据传输的上限是256M。
如果 dataset_sink_mode 配置为True，在PyNative模式，每个step结束时调用Callback实例的 step_end 方法。在Graph模式，每个epoch结束时调用Callback实例的 step_end 方法。
如果 dataset_sink_mode 配置为True，数据集仅能在当前模型中使用。
如果 sink_size 大于零，每次epoch可以无限次遍历数据集，直到遍历数据量等于 sink_size 为止。
每次epoch将从上一次遍历的最后位置继续开始遍历。该接口会构建并执行计算图，如果使用前先执行了 Model.build ，那么它会直接执行计算图而不构建。

参数：

epoch (int) - 训练执行轮次。通常每个epoch都会使用全量数据集进行训练。当 dataset_sink_mode 设置为True且 sink_size 大于零时，则每个epoch训练次数为 sink_size 而不是数据集的总步数。如果 epoch 与 initial_epoch 一起使用，它表示训练的最后一个 epoch 是多少。
train_dataset (Dataset) - 一个训练数据集迭代器。如果定义了 loss_fn ，则数据和标签会被分别传给 network 和 loss_fn ，此时数据集需要返回一个元组（data, label）。如果数据集中有多个数据或者标签，可以设置 loss_fn 为None，并在 network 中实现损失函数计算，此时数据集返回的所有数据组成的元组（data1, data2, data3, …）会传给 network 。
callbacks (Optional[list[Callback], Callback]) - 训练过程中需要执行的回调对象或者回调对象列表。默认值： None 。
dataset_sink_mode (bool) - 数据是否直接下沉至处理器进行处理。使用PYNATIVE_MODE模式或CPU处理器时，模型训练流程将以非下沉模式执行。默认值： False 。
sink_size (int) - 控制每次数据下沉的step数量。dataset_sink_mode 为False时 sink_size 无效。如果sink_size=-1，则每一次epoch下沉完整数据集。如果sink_size>0，则每一次epoch下沉数据量为sink_size的数据集。默认值： -1 。
initial_epoch (int) - 从哪个epoch开始训练，一般用于中断恢复训练场景。默认值： 0 。

样例：

>>> import mindspore as ms
>>> from mindspore import nn
>>> from mindspore.train import Model
>>>
>>> # Create the dataset taking MNIST as an example. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.4.0/docs/mindspore/code/mnist.py
>>> dataset = create_dataset()
>>> # Define the network structure of LeNet5. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.4.0/docs/mindspore/code/lenet.py
>>> net = LeNet5()
>>> loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True)
>>> loss_scale_manager = ms.FixedLossScaleManager(1024., False)
>>> optim = nn.Momentum(params=net.trainable_params(), learning_rate=0.1, momentum=0.9)
>>> model = Model(net, loss_fn=loss, optimizer=optim, metrics=None,
...                  loss_scale_manager=loss_scale_manager)
>>> model.train(2, dataset)

property train_network

获得该模型的训练网络。

返回：: 训练网络实例。