算子编译
Q: 在使用ops.concat算子时，因为数据规模有点大，导致报错Error:Input and (output + workspace) num should <=192!，可以怎么处理？
A: 这种报错，主要为ops.concat算子提示shape过大。建议对dataset对象创建迭代器时可设置输出为numpy, 如下设置：
gallaryloader.create_dict_iterator(output_numpy=True)
另外在上述后处理环节（非网络计算过程中，即非construct函数里面），可以采用numpy直接计算，如采用numpy.concatenate代替上述ops.concat进行计算。
Q: 请问在静态图模式的construct函数里，如何把一个tensor中所含有的负数值全部去除掉？
A: 建议使用ops.clip_by_value接口，把负数全变成0来进行计算。
Q: TransData算子的功能是什么，能否优化性能？
A: TransData算子出现的场景是: 如果网络中相互连接的算子使用的数据格式不一致（如NC1HWC0），框架就会自动插入transdata算子使其转换成一致的数据格式，然后再进行计算。华为Ascend支持5D格式运算，通过transdata算子将数据由4D转为5D以提升性能。
Q: 算子Concat拼接包含多个Tensor的元组出错，似乎传入的tensor list元素个数>=192就会报错。如果要Concat包含多个Tensor的元组，有什么较好的解决方案？
A: 这个昇腾算子底层规格限制一次拼接的Tensor个数不能超过192个，可以尝试分开两次进行拼接。
Q: 在使用Conv2D进行卷积定义的时候使用到了group的参数，group的值不是只需要保证可以被输入输出的维度整除即可了吗？group参数的传递方式是怎样的呢？
A: Conv2D算子是有这个约束条件的: 当group大于1 时，其值必须要与输入输出的通道数相等。不要使用ops.Conv2D，这个算子目前不支持group>1。目前MindSpore只有nn.Conv2D接口支持组卷积，但是有group要与输入输出的通道数相等的约束。
Q: MindSpore支持矩阵转置吗？
A: 支持，请参考mindspore.ops.Transpose的算子教程。
Q: 请问MindSpore能算给定任意一个tensor的方差吗？
A: 可以使用mindspore.Tensor.var接口计算Tensor的方差，你可以参考mindspore.Tensor.var(axis=None, ddof=0, keepdims=False)来实现。
Q: nn.Embedding层与PyTorch相比缺少了Padding操作，有其余的算子可以实现吗？
A: 在PyTorch中padding_idx的作用是将embedding矩阵中padding_idx位置的词向量置为0，并且反向传播时不会更新padding_idx位置的词向量。在MindSpore中，可以手动将embedding的padding_idx位置对应的权重初始化为0，并且在训练时通过mask的操作，过滤掉padding_idx位置对应的Loss。
Q: Operations中Tile算子执行到__infer__时value值为None，丢失了数值是怎么回事？
A: Tile算子的multiples input必须是一个常量（该值不能直接或间接来自于图的输入）。否则构图的时候会拿到一个None的数据，因为图的输入是在图执行的时候才传下去的，构图的时候拿不到图的输入数据。
相关的资料可以看静态图语法支持。
Q: 使用conv2d算子将卷积核设置为(3,10)，Tensor设置为[2,2,10,10]，在ModelArts上利用Ascend跑，报错: FM_W+pad_left+pad_right-KW>=strideW，CPU下不报错。
A: TBE(Tensor Boost Engine)算子是华为自研的Ascend算子开发工具，在TVM框架基础上扩展，进行自定义算子开发。上述问题是这个TBE算子的限制，x的width必须大于kernel的width。CPU的这个算子没有这个限制，所以不报错。
Q: 请问MindSpore实现了反池化操作了吗？类似于nn.MaxUnpool2d 这个反池化操作？
A: 目前 MindSpore 还没有反池化相关的接口。用户可以通过自定义算子的方式自行开发算子，详情请见自定义算子。
Q: Ascend环境，训练模型的时候，遇到了无法在当前环境上进行其他操作怎么办？
A: 遇到这种情况，可能是由于算子并行编译的时候把资源占满了。这时候可以尝试配置环境变量MS_BUILD_PROCESS_NUM，减小算子编译并行数，减小对当前环境的资源抢占。具体配置信息请参考环境变量。
Q: Ascend环境上，一些尽管经过调优工具调试过的算子，性能依旧很差，这时候该怎么办？
A: 遇到这种情况，
看一下这些算子是否为融合算子，如果是融合算子，可以尝试使用环境变量
export MS_DEV_DISABLE_PREBUILD=True来关闭算子预编译。因为算子预编译可能会改变算子的fusion_type属性，而该属性会影响算子的融合，导致原本不应该融合的小算子融合成了大算子，这些融合出来的大算子性能不一定比小算子性能好。其次，如果排除了上述融合算子的影响，可以尝试使用环境变量
MS_COMPILER_OP_LEVEL来生成算子编译的debug调试信息，然后找算子开发人员根据这些调试信息进一步定位，具体配置信息可以参考环境变量。
Q: 使用ExpandDims算子报错: Pynative run op ExpandDims failed。具体代码：
set_context(mode=GRAPH_MODE,device_target='Ascend')
input_tensor=Tensor(np.array([[2,2],[2,2]]),mindspore.float32)
expand_dims=ops.ExpandDims()
output=expand_dims(input_tensor,0)
A: 这边的问题是选择了Graph模式却使用了PyNative的写法，所以导致报错，MindSpore支持两种运行模式，在调试或者运行方面做了不同的优化:
PyNative模式: 也称动态图模式，将神经网络中的各个算子逐一下发执行，方便用户编写和调试神经网络模型。
Graph模式: 也称静态图模式或者图模式，将神经网络模型编译成一整张图，然后下发执行。该模式利用图优化等技术提高运行性能，同时有助于规模部署和跨平台运行。
Q: Ascend后端报错：AI CORE 和AI CPU中都找不到有效的kernel info这个Kernel Select Failed时，如何定位？
A: Ascend后端，算子有AI CORE算子和AI CPU算子之分，部分算子AI CORE支持，部分算子AI CPU支持，部分算子两者同时支持。根据报错信息：
如果
AI CORE候选算子信息为空，则可能是在算子check support阶段，所有的算子信息均校验未通过。可以在日志中搜索关键字CheckSupport找到未通过的原因，根据具体信息修改shape或data type，或者找开发人员进一步定位；如果
AI CPU候选算子信息不为空，或者AI CORE和AI CPU候选算子信息都不为空，则可能是用户给到该算子的输入数据类型不在候选列表中，在选择阶段被过滤掉导致，可以根据候选列表尝试修改该算子的输入data type。
用户可以参考官网教程选择合适、统一的模式和写法来完成训练。
Q: MindSpore的算子输入的类型转换规则是什么？如果输入中存在零维Tensor，是否遵循这个规则？
A: MindSpore的算子输入的类型转换，可以参考类型转换规则。与PyTorch不同的是，算子输入中存在零维Tensor时，MindSpore同样遵循这一规则。示例代码如下：
import torch
import mindspore as ms
out_ms = ms.Tensor([1], dtype=ms.int32) + ms.Tensor(1, dtype=ms.int64)
out_torch = torch.tensor([1], dtype=torch.int32) + torch.tensor(1, dtype=torch.int64)
print(out_ms.dtype) # 输出是：Int64
print(out_torch.dtype) # 输出是：torch.int32