使用Dump功能在Graph模式调试
Linux
Ascend
GPU
CPU
模型调优
中级
高级
概述
为了对训练过程进行分析,用户需要感知训练过程中算子的输入和输出数据。
对于动态图模式,MindSpore提供了Python原生执行能力,用户可以在网络脚本运行过程中查看记录相应的输入输出,详情见使用PyNative模式调试 。
对于静态图模式,MindSpore提供了Dump功能,用来将模型训练中的图以及算子的输入输出数据保存到磁盘文件。
本文针对静态图模式,介绍如何基于Dump功能对网络数据进行分析对比。
调试过程
从脚本找到对应的算子
使用Dump功能将自动生成最终执行图的IR文件(IR文件中包含了算子全名,和算子在计算图中输入和输出的依赖,也包含从算子到相应脚本代码的Trace信息),IR文件可以用
vi
命令查看,Dump功能的配置见同步Dump操作步骤和异步Dump操作步骤,Dump输出的目录结构见同步Dump数据对象目录和异步Dump数据对象目录。然后通过图文件找到脚本中代码对应的算子,参考同步Dump数据分析样例和异步Dump数据数据分析样例。从算子到Dump数据
在了解脚本和算子的映射关系后,可以确定想要分析的算子名称,从而找到算子对应的dump文件,参考同步Dump数据对象目录和异步Dump数据对象目录。
分析Dump数据
通过解析Dump数据,可以与其他第三方框架进行对比。同步Dump数据格式参考同步Dump数据文件介绍,异步Dump数据格式参考异步Dump数据文件介绍。
适用场景
静态图算子结果分析。
通过Dump功能获得的IR图,可以了解脚本代码与执行算子的映射关系(详情见MindSpore IR简介)。结合执行算子的输入和输出数据,可以分析训练过程中可能存在的溢出、梯度爆炸与消失等问题,反向跟踪到脚本中可能存在问题的代码。
特征图分析。
通过获取图层的输出数据,分析特征图的信息。
模型迁移。
在将模型从第三方框架(TensorFlow、PyTorch)迁移到MindSpore的场景中,通过比对相同位置算子的输出数据,分析第三方框架和MindSpore对于同一模型的训练结果是否足够接近,来定位模型的精度问题。
Dump功能说明
MindSpore提供了同步Dump与异步Dump两种模式:
同步Dump的机制是在网络训练过程中每个step执行结束后, Host侧发起Dump动作,从Device上拷贝算子地址里面的数据到Host,并保存文件。同步Dump会默认关闭算子间的内存复用,避免读到脏数据。
异步Dump是专门针对Ascend整图下沉而开发的功能,可以一边执行算子一边dump数据,一个算子执行结束后立即dump数据,因此开启内存复用也可以生成正确的数据,但是相应的网络训练的速度会较慢。
不同模式所需要的配置文件和dump出来的数据格式不同:
同步模式较异步模式会占用更多内存,但易用性更好。
一般对于中小型网络(如ResNet)等,推荐优先使用同步Dump模式。在网络占用内存不大的情况下,请优先使用同步Dump。若开启同步Dump后,因为模型过大导致需要的内存超过系统限制,再使用异步Dump。
在Ascend上开启同步Dump的时候,待Dump的算子会自动关闭内存复用。
同步Dump目前支持Ascend、GPU和CPU上的图模式,暂不支持PyNative模式。
异步Dump仅支持Ascend上的图模式,不支持PyNative模式。开启异步Dump的时候不会关闭内存复用。
同步Dump
同步Dump操作步骤
创建json格式的配置文件,JSON文件的名称和位置可以自定义设置。
{ "common_dump_settings": { "dump_mode": 0, "path": "/absolute_path", "net_name": "ResNet50", "iteration": 0, "input_output": 0, "kernels": ["Default/Conv-op12"], "support_device": [0,1,2,3,4,5,6,7] }, "e2e_dump_settings": { "enable": true, "trans_flag": true } }
dump_mode
:设置成0,表示Dump出该网络中的所有算子;设置成1,表示Dump"kernels"
里面指定的算子。path
:Dump保存数据的绝对路径。net_name
:自定义的网络名称,例如:”ResNet50”。iteration
:指定需要Dump的迭代,若设置成0,表示Dump所有的迭代。input_output
:设置成0,表示Dump出算子的输入和算子的输出;设置成1,表示Dump出算子的输入;设置成2,表示Dump出算子的输出。该配置参数仅支持Ascend和CPU,GPU只能Dump算子的输出。kernels
:算子的名称列表。开启IR保存开关context.set_context(save_graphs=True)
并执行用例,从生成的IR文件trace_code_graph_{graph_id}
中获取算子名称。详细说明可以参照教程:如何保存IR。support_device
:支持的设备,默认设置成0到7即可;在分布式训练场景下,需要dump个别设备上的数据,可以只在support_device
中指定需要Dump的设备Id。该配置参数在CPU上无效,因为CPU下没有device这个概念。enable
:开启E2E Dump,如果同时开启同步Dump和异步Dump,那么只有同步Dump会生效。trans_flag
:开启格式转换。将设备上的数据格式转换成NCHW格式。若为True
,则数据会以Host侧的4D格式(NCHW)格式保存;若为False
,则保留Device侧的数据格式。该配置参数在CPU上无效,因为CPU上没有format转换。
设置Dump环境变量,指定Dump的json配置文件。
export MINDSPORE_DUMP_CONFIG=${xxx}
其中”xxx”为配置文件的绝对路径,如:
export MINDSPORE_DUMP_CONFIG=/path/to/data_dump.json
注意:
在网络脚本执行前,设置好环境变量;网络脚本执行过程中设置将会不生效。
在分布式场景下,Dump环境变量需要在调用
mindspore.communication.management.init
之前配置。
启动网络训练脚本。
训练启动后,若正确配置了
MINDSPORE_DUMP_CONFIG
环境变量,则会读取配置文件的内容,并按照Dump配置中指定的数据保存路径保存算子数据。 同步模式下,如果要Dump数据,必须采用非数据下沉模式(设置model.train
或DatasetHelper
中的dataset_sink_mode
参数为False
),以保证可以获取每个step的Dump数据。 若脚本中都不调用model.train
或DatasetHelper
,则默认为非数据下沉模式。使用Dump功能将自动生成最终执行图的IR文件。可以在训练脚本中设置
context.set_context(reserve_class_name_in_scope=False)
,避免Dump文件名称过长导致Dump数据文件生成失败。通过
numpy.fromfile
读取和解析同步Dump数据,参考同步Dump数据文件介绍。
同步Dump数据对象目录
启动训练后,同步Dump保存的数据对象包括最终执行图(ms_output_trace_code_graph_{graph_id}.ir
文件)以及图中算子的输入和输出数据,数据目录结构如下所示:
{path}/
|-- {net_name}/
|-- device_{device_id}/
|-- iteration_{iteration}/
-- {op_name}_{input_output_index}_{shape}_{data_type}_{format}.bin
…
|-- graphs/
ms_output_trace_code_graph_{graph_id}.pb
ms_output_trace_code_graph_{graph_id}.ir
|-- execution_order/
ms_execution_order_graph_{graph_id}.csv
|-- .metadata/
data_dump.json
path
:data_dump.json
配置文件中设置的绝对路径。net_name
:data_dump.json
配置文件中设置的网络名称。device_id
:训练的卡号。graph_id
:训练的图标号。iteration
:训练的轮次。operator_name
:算子名称。input_output_index
:输入或输出标号,例如output_0
表示该文件是该算子的第1个输出Tensor的数据。shape
: 张量维度信息。data_type
: 数据类型。format
: 数据格式。
在CPU上进行数据dump时,没有device_id
这个目录层级,因为CPU上没有device这个概念,也没有graphs
、execution_order
和.metadata
目录。
同步Dump数据文件介绍
同步Dump生成的数据文件是后缀名为.bin
的二进制文件,文件命名格式为:
{operator_name}_{input_output_index}_{shape}_{data_type}_{format}.bin
根据文件名提供的Tensor
信息,可以用numpy.fromfile
读取数据,并还原原始数据的data_type
和shape
。
同步Dump生成的最终执行图文件后缀名分别为.pb
和.ir
,文件命名格式为:
ms_output_trace_code_graph_{graph_id}.pb
ms_output_trace_code_graph_{graph_id}.ir
其中以.ir
为后缀的文件可以通过vi
命令打开查看。
同步Dump生成的节点执行序文件后缀名为.csv
,文件命名格式为:
ms_execution_order_graph_{graph_id}.csv
.metadata
记录了训练的原信息,其中data_dump.json
保存了用户设置的dump配置。
同步Dump数据分析样例
对于Ascend场景,在通过Dump功能将脚本对应的图保存到磁盘上后,会产生最终执行图文件ms_output_trace_code_graph_{graph_id}.ir
。该文件中保存了对应的图中每个算子的堆栈信息,记录了算子对应的生成脚本。
以AlexNet脚本为例 :
import mindspore.nn as nn
import mindspore.ops as ops
def conv(in_channels, out_channels, kernel_size, stride=1, padding=0, pad_mode="valid", has_bias=True):
return nn.Conv2d(in_channels, out_channels, kernel_size=kernel_size, stride=stride, padding=padding,
has_bias=has_bias, pad_mode=pad_mode)
def fc_with_initialize(input_channels, out_channels, has_bias=True):
return nn.Dense(input_channels, out_channels, has_bias=has_bias)
class AlexNet(nn.Cell):
"""
Alexnet
"""
def __init__(self, num_classes=10, channel=3, phase='train', include_top=True):
super(AlexNet, self).__init__()
self.conv1 = conv(channel, 64, 11, stride=4, pad_mode="same", has_bias=True)
self.conv2 = conv(64, 128, 5, pad_mode="same", has_bias=True)
self.conv3 = conv(128, 192, 3, pad_mode="same", has_bias=True)
self.conv4 = conv(192, 256, 3, pad_mode="same", has_bias=True)
self.conv5 = conv(256, 256, 3, pad_mode="same", has_bias=True)
self.relu = ops.ReLU()
self.max_pool2d = nn.MaxPool2d(kernel_size=3, stride=2, pad_mode="valid")
self.include_top = include_top
if self.include_top:
dropout_ratio = 0.65
if phase == 'test':
dropout_ratio = 1.0
self.flatten = nn.Flatten()
self.fc1 = fc_with_initialize(6 * 6 * 256, 4096)
self.fc2 = fc_with_initialize(4096, 4096)
self.fc3 = fc_with_initialize(4096, num_classes)
self.dropout = nn.Dropout(dropout_ratio)
def construct(self, x):
"""define network"""
x = self.conv1(x)
x = self.relu(x)
x = self.max_pool2d(x)
x = self.conv2(x)
x = self.relu(x)
x = self.max_pool2d(x)
x = self.conv3(x)
x = self.relu(x)
x = self.conv4(x)
x = self.relu(x)
x = self.conv5(x)
x = self.relu(x)
x = self.max_pool2d(x)
if not self.include_top:
return x
x = self.flatten(x)
x = self.fc1(x)
x = self.relu(x)
x = self.dropout(x)
x = self.fc2(x)
x = self.relu(x)
x = self.dropout(x)
x = self.fc3(x)
return x
如果用户想查看脚本中第58行的代码:
x = self.conv3(x)
执行完训练网络后,可以从最终执行图(ms_output_trace_code_graph_{graph_id}.ir
文件)中查找到该行代码所对应的多个算子信息,文件内容如下所示:
%24(equivoutput) = Conv2D(%23, %21) {instance name: conv2d} primitive_attrs: {compile_info: , pri_format: NC1HWC0, stride: (1, 1, 1, 1), pad: (0, 0, 0, 0), pad_mod: same, out_channel:
192, mode: 1, dilation: (1, 1, 1, 1), output_names: [output], group: 1, format: NCHW, offset_a: 0, kernel_size: (3, 3), groups: 1, input_names: [x, w], pad_list: (1, 1, 1, 1),
IsFeatureMapOutput: true, IsFeatureMapInputList: (0)}
: (<Tensor[Float32]x[const vector][32, 128, 13, 13]>, <Tensor[Float16]x[const vector][192, 128, 3, 3]>) -> (<Tensor[Float16]x[const vector][32, 192, 13, 13]>)
: (<Float16xNC1HWC0[const vector][32, 8, 13, 13, 16]>, <Float16xFracZ[const vector][72, 12, 16, 16]>) -> (<Float16xNC1HWC0[const vector][32, 12, 13, 13, 16]>)
: (Default/network-WithLossCell/_backbone-AlexNet/conv3-Conv2d/Conv2D-op107)
...
# In file {Absolute path of model_zoo}/official/cv/alexnet/src/alexnet.py(58)/ x = self.conv3(x)/
...
%25(equivoutput) = BiasAdd(%24, %22) {instance name: bias_add} primitive_attrs: {output_used_num: (1), input_names: [x, b], format: NCHW, compile_info: , output_names: [output],
IsFeatureMapOutput: true, IsFeatureMapInputList: (0), pri_format: NC1HWC0}
: (<Tensor[Float16]x[const vector][32, 192, 13, 13]>) -> (<Tensor[Float16]x[const vector][192]>) -> (<Tensor[Float16]x[const vector][32, 192, 13, 13]>)
: (<Float16xNC1HWC0[const vector][32, 12, 13, 13, 16]>) -> (<Float16xDefaultFormat[const vector][192]>) -> (<Float16xNC1HWC0[const vector][32, 12, 13, 13, 16]>)
: (Default/network-WithLossCell/_backbone-AlexNet/conv3-Conv2d/BiasAdd-op105)
...
# In file {Absolute path of model_zoo}/official/cv/alexnet/src/alexnet.py(58)/ x = self.conv3(x)/
...
以上所示文件内容的各行所表示的含义如下:
算子在Host侧(第一行)和Device侧(第二行,有些算子可能不存在)的输入输出情况。从执行图可知,该算子有两个输入(箭头左侧),一个输出(箭头右侧)。
: (<Tensor[Float32]x[const vector][32, 128, 13, 13]>, <Tensor[Float16]x[const vector][192, 128, 3, 3]>) -> (<Tensor[Float16]x[const vector][32, 192, 13, 13]>) : (<Float16xNC1HWC0[const vector][32, 8, 13, 13, 16]>, <Float16xFracZ[const vector][72, 12, 16, 16]>) -> (<Float16xNC1HWC0[const vector][32, 12, 13, 13, 16]>)
算子名称。从执行图可知,该算子在最终执行图中的完整名称为
Default/network-WithLossCell/_backbone-AlexNet/conv3-Conv2d/Conv2D-op107
。: (Default/network-WithLossCell/_backbone-AlexNet/conv3-Conv2d/Conv2D-op107)
算子对应的训练脚本代码。通过搜索要查询的训练脚本代码,可以找到多个匹配的算子。
# In file {Absolute path of model_zoo}/official/cv/alexnet/src/alexnet.py(58)/ x = self.conv3(x)/
通过算子名称和输入输出信息,可以查找到唯一对应的Tensor数据文件。比如,若要查看Conv2D-op107算子的第1个输出数据对应的Dump文件,可获取以下信息:
operator_name
:Default--network-WithLossCell--_backbone-AlexNet--conv3-Conv2d--Conv2D-op107
。基于图中序号2声明的算子名称,将其中的/
替换为--
可得。input_output_index
:output_0
表示该文件是该算子的第1个输出Tensor的数据。
在Dump保存的数据对象文件目录下搜索到相应的文件名:
Default--network-WithLossCell--_backbone-AlexNet--conv3-Conv2d--Conv2D-op107_output_0_shape_32_12_13_13_16_Float16_NC1HWC0.bin
。
从文件名中可以得知以下信息:
shape
: 张量维度是32_12_13_13_16
。data_type
: 数据类型为Float16
。format
: 数据格式为NC1HWC0
(可通过Dump配置文件修改要保存的数据格式)。
还原数据的时候,首先通过执行:
import numpy
numpy.fromfile("Default--network-WithLossCell--_backbone-AlexNet--conv3-Conv2d--Conv2D-op107_output_0_shape_32_12_13_13_16_Float16_NC1HWC0.bin", numpy.float16)
生成一维array数据,再通过执行:
import numpy
numpy.reshape(array, (32,12,13,13,16))
还原到原始shape数据。
异步Dump
大型网络(如Bert Large)使用同步Dump时会导致内存溢出,MindSpore通过异步Dump提供了大型网络的调试能力。
异步Dump操作步骤
创建配置文件
data_dump.json
。JSON文件的名称和位置可以自定义设置。
{ "common_dump_settings": { "dump_mode": 0, "path": "/absolute_path", "net_name": "ResNet50", "iteration": 0, "input_output": 0, "kernels": ["Default/Conv-op12"], "support_device": [0,1,2,3,4,5,6,7] }, "async_dump_settings": { "enable": true, "op_debug_mode": 0 } }
dump_mode
:设置成0,表示Dump出改网络中的所有算子;设置成1,表示Dump"kernels"
里面指定的算子。path
:Dump保存数据的绝对路径。net_name
:自定义的网络名称,例如:”ResNet50”。iteration
:指定需要Dump的迭代。非数据下沉模式下,iteration
需要设置成0,并且会Dump出每个迭代的数据。input_output
:设置成0,表示Dump出算子的输入和算子的输出;设置成1,表示Dump出算子的输入;设置成2,表示Dump出算子的输出。kernels
:算子的名称列表。开启IR保存开关context.set_context(save_graphs=True)
并执行用例,从生成的trace_code_graph_{graph_id}
IR文件中获取算子名称。kernels
仅支持TBE算子、AiCPU算子、通信算子,若设置成通信算子的名称,将会Dump出通信算子的输入算子的数据。详细说明可以参照教程:如何保存IR。support_device
:支持的设备,默认设置成0到7即可;在分布式训练场景下,需要dump个别设备上的数据,可以只在support_device
中指定需要Dump的设备Id。enable
:开启异步Dump,如果同时开启同步Dump和异步Dump,那么只有同步Dump会生效。op_debug_mode
:该属性用于算子溢出调试,设置成0,表示不开启溢出;设置成1,表示开启AiCore溢出检测;设置成2,表示开启Atomic溢出检测;设置成3,表示开启全部溢出检测功能。在Dump数据的时候请设置成0,若设置成其他值,则只会Dump溢出算子的数据。
设置数据Dump的环境变量。
export MINDSPORE_DUMP_CONFIG={Absolute path of data_dump.json}
在网络脚本执行前,设置好环境变量;网络脚本执行过程中设置将会不生效。
在分布式场景下,Dump环境变量需要在调用
mindspore.communication.management.init
之前配置。
执行用例Dump数据。
可以在训练脚本中设置
context.set_context(reserve_class_name_in_scope=False)
,避免Dump文件名称过长导致Dump数据文件生成失败。参考异步Dump数据分析样例解析Dump数据文件。
注意:
若需要dump全量或部分算子,则可以修改json配置文件中的
dump_mode
选项为0或1。若开启数据下沉功能(设置
model.train
或DatasetHelper
中的dataset_sink_mode
参数为True
),只能dump出配置文件里指定的一个step的数据(此时iteration 0
表示第0个step),并保存到指定目录下。若不开启数据下沉功能(设置
model.train
或DatasetHelper
中的dataset_sink_mode
参数为False
),配置文档里iteration
必须指定为0,所有step的数据都保存在一个目录中,无法支持多step的数据管理。此时建议只执行一次step的数据Dump(可以通过修改脚本只训练一个step)。使用Dump功能将自动生成最终执行图的IR文件。
异步Dump数据对象目录
异步Dump保存的数据对象包括了最终执行图(ms_output_trace_code_graph_{graph_id}.ir
文件)以及图中算子的输入和输出数据,目录结构如下所示:
{path}/
|-- {device_id}/
|-- {new_name}_graph_{graph_id}/
|-- {graph_id}/
|-- {iteration}/
|-- {op_type}.{op_name}.{task_id}.{timestamp}
…
|-- graphs/
ms_output_trace_code_graph_{graph_id}.pb
ms_output_trace_code_graph_{graph_id}.ir
|-- execution_order/
ms_execution_order_graph_{graph_id}.csv
|-- .metadata/
data_dump.json
path
:data_dump.json
文件中设置的绝对路径。net_name
:data_dump.json
文件中设置的网络名称。device_id
:训练的卡号。graph_id
:训练的图标号。iteration
:训练的轮次。op_type
:算子类型。op_name
:算子名称。taskid
:任务标号。timestamp
:时间戳。
异步Dump数据文件介绍
启动训练后,异步Dump生成的原始数据文件是protobuf格式的文件,需要用到海思Run包中自带的数据解析工具进行解析,详见如何查看dump数据文件 。
数据在Device侧的格式可能和Host侧计算图中的定义不同,异步Dump的数据格式为Device侧格式,如果想要转为Host侧格式,可以参考如何进行dump数据文件Format转换 。
异步Dump生成的数据文件命名规则如下:
Dump路径的命名规则为:
{path}/{device_id}/{net_name}_graph_{graph_id}/{graph_id}/{iteration}
。Dump文件的命名规则为:
{op_type}.{op_name}.{task_id}.{timestamp}
。
以一个简单网络的Dump结果为例:Add.Default_Add-op1.2.161243956333802
,其中Add
是{op_type}
,Default_Add-op1
是{op_name}
,2
是{task_id}
,161243956333802
是{timestamp}
。
如果op_type
和op_name
中出现了“.”、“/”、“\”、空格时,会转换为下划线表示。
异步Dump生成的最终执行图文件和节点执行序文件命名规则与同步Dump相同,可以参考同步Dump数据文件介绍。
异步Dump数据分析样例
通过异步Dump的功能,获取到算子异步Dump生成的数据文件。
使用run包中提供的
msaccucmp.py
解析Dump出来的文件。不同的环境上msaccucmp.py
文件所在的路径可能不同,可以通过find
命令进行查找:find ${run_path} -name "msaccucmp.py"
run_path
:run包的安装路径。
找到
msaccucmp.py
后,到/absolute_path
目录下,运行如下命令解析Dump数据:python ${The absolute path of msaccucmp.py} convert -d {file path of dump} -out {file path of output}
若需要转换数据格式,可参考使用说明链接https://support.huawei.com/enterprise/zh/doc/EDOC1100191946/fa6aecce 。
如Dump生成的数据文件为:
BNTrainingUpdate.Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell_1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491
则执行:
python3.7.5 msaccucmp.py convert -d BNTrainingUpdate.Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell_1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491 -out ./output -f NCHW -t npy
则可以在
./output
下生成该算子的所有输入输出数据。每个数据以.npy
后缀的文件保存,数据格式为NCHW
。生成结果如下:BNTrainingUpdate. Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell _1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.input.0.30x1024x17x17.npy BNTrainingUpdate. Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell _1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.input.1.1x1024x1x1.npy BNTrainingUpdate. Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell _1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.input.2.1x1024x1x1.npy BNTrainingUpdate. Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell _1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.input.3.1x1024x1x1.npy BNTrainingUpdate. Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell _1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.input.4.1x1024x1x1.npy BNTrainingUpdate. Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell _1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.input.5.1x1024x1x1.npy BNTrainingUpdate. Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell _1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.input.6.1x1024x1x1.npy BNTrainingUpdate. Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell _1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.output.0.30x1024x17x17.npy BNTrainingUpdate. Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell _1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.output.1.1x1024x1x1.npy BNTrainingUpdate. Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell _1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.output.2.1x1024x1x1.npy BNTrainingUpdate. Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell _1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.output.3.1x1024x1x1.npy BNTrainingUpdate. Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell _1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.output.4.1x1024x1x1.npy
在文件名的末尾可以看到该文件是算子的第几个输入或输出,以及数据的维度信息。例如,通过第一个
.npy
文件名BNTrainingUpdate. Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell _1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.input.0.30x1024x17x17.npy
可知该文件是算子的第0个输入,数据的维度信息是
30x1024x17x17
。通过
numpy.load("file_name")
可以读取到对应数据。例:import numpy numpy.load("BNTrainingUpdate.Default_network-YoloWithLossCell_yolo_network-YOLOV3DarkNet53_feature_map-YOLOv3_backblock0-YoloBlock_conv3-SequentialCell_1-BatchNorm2d_BNTrainingUpdate-op5489.137.1608983934774491.input.0.30x1024x17x17.npy")