mindspore_lite.Context

查看源文件
class mindspore_lite.Context[源代码]

Context 类用于在执行期间传递环境变量。

在运行程序之前,应配置context。如果未配置,将设置 cputarget ,并默认自动设置 cpu 属性。

Context.parallel定义 ModelParallelRunner 类的上下文和配置。

Context.parallel属性:
  • workers_num (int) - workers的数量。一个 ModelParallelRunner 包含多个worker,worker为实际执行并行推理的单元。将 workers_num 设置为0表示 workers_num 将基于计算机性能和核心数自动调整。

  • config_info (dict{str: dict{str: str}}) - 用于在构建 ModelParallelRunner 过程中在线传输用户定义选项的嵌套映射。更多可配置选项请参阅 config_path 。例如: {"model_file": {"mindir_path": "/home/user/model_graph.mindir"}}section"model_file" ,value为dict格式,其中的key之一为 "mindir_path" ,对应的value为 "/home/user/model_graph.mindir"

  • config_path (str) - 定义配置文件的路径,用于在构建 ModelParallelRunner 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.txt"

    • 用法1 - 进行混合精度推理的设置,配置文件内容及说明如下:

      [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)
      
    • 用法2 - 在使用GPU推理时,进行TensorRT设置,配置文件内容及说明如下:

      [ms_cache]
      serialize_path=[serialization model path](序列化模型的存储路径)
      [gpu_context]
      input_shape=input_name:[input_dim](模型输入维度,用于动态shape)
      dynamic_dims=[min_dim~max_dim](模型输入的动态维度范围,用于动态shape)
      opt_dims=[opt_dim](模型最优输入维度,用于动态shape)
      
    • 用法3 - 对于大模型,使用model buffer进行加载编译的时候需要单独设置权重文件的路径,并且需要确保大模型文件和权重文件所在的文件夹位于同一文件夹中。例如,当目录如下时:

      .
      └── /home/user/
           ├── model_graph.mindir
           └── model_variables
                └── data_0
      

      配置文件内容及说明如下:

      [model_file]
      mindir_path=[/home/user/model_graph.mindir](大模型的存储路径)
      

样例:

>>> # create default context, which target is cpu by default.
>>> import mindspore_lite as mslite
>>> context = mslite.Context()
>>> print(context)
target: ['cpu'].
>>> # testcase 2 about context's attribute parallel based on server inference package
>>> # (export MSLITE_ENABLE_SERVER_INFERENCE=on before compile lite or use cloud inference package)
>>> import mindspore_lite as mslite
>>> context = mslite.Context()
>>> context.target = ["cpu"]
>>> context.parallel.workers_num = 4
>>> context.parallel.config_info = {"model_file": {"mindir_path": "/home/user/model_graph.mindir"}}
>>> context.parallel.config_path = "/home/user/config.txt"
>>> print(context.parallel)
workers num: 4,
config info: model_file: mindir_path /home/user/model_graph.mindir,
config path: /home/user/config.txt.
property group_info_file

获取和设置分布式推理的通信分组信息。

在Pipeline并行场景下,不同Stage设备节点处于不同的通信分组中,在模型导出时,通过接口 [mindspore.set_auto_parallel_context](https://www.mindspore.cn/docs/zh-CN/r2.3.0rc1/api_python/mindspore/mindspore.set_auto_parallel_context.html) 设置 group_ckpt_save_file 参数导出分组文件信息。另外,非Pipeline并行场景,如果存在通信算子涉及局部分组,同样需通过 group_ckpt_save_file 参数获取分组文件信息。

样例:

>>> # export communication group information file when export mindir
>>> import mindspore
>>> mindspore.set_auto_parallel_context(group_ckpt_save_file=f"{export_dir}/group_config_{rank_id}.pb")
>>>
>>> # use communication group information file when load mindir
>>> import mindspore_lite as mslite
>>> context = mslite.Context()
>>> context.group_info_file = f"{export_dir}/group_config_{rank_id}.pb"
property target

获取Context的目标设备信息列表。

当前支持的target选项有 "cpu""gpu""ascend"

说明

  • gpu添加到target后,将自动地添加cpu作为备份target。因为当检测到gpu不支持某一算子时,系统将尝试cpu是否支持它。此时,需要切换到具有cpu的上下文。

  • ascend添加到target后,将自动地添加cpu作为备份target。在原始模型的输入format与转换生成的模型的输入format不一致的场景时,在Ascend设备上转换生成的模型中将包含 Transpose 节点,该节点目前需要在CPU上执行推理,因此需要切换至带有CPU设备信息的Context中。

Context.cpu属性:
  • inter_op_parallel_num (int) - 设置运行时算子的并行数。 inter_op_parallel_num 不能大于 thread_num 。将 inter_op_parallel_num 设置为 0 表示 inter_op_parallel_num 将基于计算机性能和核心数自动调整。

  • precision_mode (str) - 设置混合精度模式。选项有 "preferred_fp16""enforce_fp32"

    • "preferred_fp16" : 优先使用fp16。

    • "enforce_fp32" : 强制使用fp32。

  • thread_num (int) - 设置运行时的线程数。 thread_num 不能小于 inter_op_parallel_num 。将 thread_num 设置为 0 表示 thread_num 将基于计算机性能和核心数自动调整。

  • thread_affinity_mode (int) - 设置运行时的CPU绑核策略模式。支持以下 thread_affinity_mode

    • 0 : 不绑核。

    • 1 : 绑大核优先。

    • 2 : 绑中核优先。

  • thread_affinity_core_list (list[int]) - 设置运行时的CPU绑核策略列表。例如:[0,1]代表指定绑定0号CPU和1号CPU。

Context.gpu属性:
  • device_id (int) - 设置设备id。

  • group_size (int) - 集群数量,仅获取,不可设置。

  • precision_mode (str) - 设置混合精度模式。选项有 "preferred_fp16""enforce_fp32"

    • preferred_fp16 : 优先使用fp16。

    • enforce_fp32 : 强制使用fp32。

  • rank_id (int) - 当前设备在集群中的ID,固定从 0 开始编号。仅获取,不可设置。

Context.ascend属性:
  • device_id (int) - 设备id。

  • precision_mode (str) - 设置混合精度模式。选项有 "enforce_fp32""preferred_fp32""enforce_fp16""enforce_origin""preferred_optimal"

    • enforce_fp32 : 对应ACL选项为force_fp32,强制使用fp32。

    • preferred_fp32 : 对应ACL选项为allow_fp32_to_fp16,优先使用fp32。

    • enforce_fp16 : 对应ACL选项为force_fp16,强制使用fp16。

    • enforce_origin : 对应ACL选项为must_keep_origin_dtype,强制使用原始类型。

    • preferred_optimal : 对应ACL选项为allow_mix_precision,优先使用fp16+精度权衡。

  • provider (str) - 支持目标设备推理能力的provider,可以是 """ge" ,默认 ""

  • rank_id (int) - 当前设备在集群中的ID,固定从 0 开始编号。

返回:

int,Context的目标设备信息。

样例:

>>> # create default context, which target is cpu by default.
>>> import mindspore_lite as mslite
>>> context = mslite.Context()
>>> # set context with cpu target.
>>> context.target = ["cpu"]
>>> print(context.target)
['cpu']
>>> context.cpu.precision_mode = "preferred_fp16"
>>> context.cpu.thread_num = 2
>>> context.cpu.inter_op_parallel_num = 2
>>> context.cpu.thread_affinity_mode = 1
>>> context.cpu.thread_affinity_core_list = [0,1]
>>> print(context.cpu)
device_type: DeviceType.kCPU,
precision_mode: preferred_fp16,
thread_num: 2,
inter_op_parallel_num: 2,
thread_affinity_mode: 1,
thread_affinity_core_list: [0, 1].
>>> # set context with gpu target.
>>> context.target = ["gpu"]
>>> print(context.target)
['gpu']
>>> context.gpu.precision_mode = "preferred_fp16"
>>> context.gpu.device_id = 2
>>> print(context.gpu.rank_id)
0
>>> print(context.gpu.group_size)
1
>>> print(context.gpu)
device_type: DeviceType.kGPU,
precision_mode: preferred_fp16,
device_id: 2,
rank_id: 0,
group_size: 1.
>>> # set context with ascend target.
>>> context.target = ["ascend"]
>>> print(context.target)
['ascend']
>>> context.ascend.precision_mode = "enforce_fp32"
>>> context.ascend.device_id = 2
>>> context.ascend.provider = "ge"
>>> context.ascend.rank_id = 0
>>> print(context.ascend)
device_type: DeviceType.kAscend,
precision_mode: enforce_fp32,
device_id: 2,
provider: ge,
rank_id: 0.