流程控制语句

目前主流的深度学习框架的执行模式有两种，分别为静态图模式GRAPH_MODE和动态图PYNATIVE_MODE模式。

在PYNATIVE_MODE模式下，MindSpore完全支持Python原生语法的流程控制语句。GRAPH_MODE模式下，MindSpore在编译时做了性能优化，因此，在定义网络时使用流程控制语句时会有部分特殊约束，其他部分仍和Python原生语法保持一致。

运行模式从动态图切换到静态图时，请留意静态图语法支持。下面我们详细介绍在GRAPH_MODE模式下定义网络时流程控制语句的使用方式。

常量与变量条件

在GRAPH_MODE模式下定义网络，MindSpore将流程控制语句中的条件表达式分为两类：即常量条件和变量条件。在图编译时可以确定结果为True或False的条件表达式为常量条件，在图编译时不能确定结果为True或False的条件表达式为变量条件。只有当条件表达式为变量条件时，MindSpore才会在网络中生成控制流算子。

需要注意的是，当网络中存在控制流算子时，网络会被切分成多个执行子图，子图间进行流程跳转和数据传递会产生一定的性能损耗。

常量条件

判断方式：

条件表达式中不存在Tensor类型，且也不存在元素为Tensor类型的List、Tuple、Dict。
条件表达式中存在Tensor类型，或者元素为Tensor类型的List、Tuple、Dict，但是表达式结果不受Tensor的值影响。

举例：

for i in range(0,10)，i为标量：潜在的条件表达式i < 10在图编译时可以确定结果，因此为常量条件；
self.flag，self.flag为标量：此处self.flag为一个bool类型标量，其值在构建Cell对象时已确定；
x + 1 < 10，x为标量：此处x + 1的值在构建Cell对象时是不确定的，但是在图编译时MindSpore会计算所有标量表达式的结果，因此该表达式的值也是在编译期确定的。
len(my_list) < 10，my_list为元素是Tensor类型的List对象：该条件表达式包含Tensor，但是表达式结果不受Tensor的值影响，只与my_list中Tensor的数量有关；

变量条件

判断方式：

条件表达式中存在Tensor类型或者元素为Tensor类型的List、Tuple、Dict，并且条件表达式的结果受Tensor的值影响。

举例：

x < y，x和y为算子输出。
x in list，x为算子输出。

由于算子输出是图在各个step执行时才能确定，因此上面两个都属于变量条件。

if语句

在GRAPH_MODE模式下定义网络时，使用if语句需要注意：在条件表达式为变量条件时，在不同分支的同一变量应被赋予相同的数据类型。

变量条件的if语句

在下面代码中，在if和else分支中，变量out在if语句不同分支被赋予的Tensor的shape分别是()和(2,)。网络最终返回的Tensor的shape由条件x < y决定，而在图编译时期无法确定x < y的结果，因此图编译时期无法确定out的shape是()还是(2,)。

import numpy as np
import mindspore as ms
from mindspore import nn

class SingleIfNet(nn.Cell):

    def construct(self, x, y, z):
        # 构造条件表达式为变量条件的if语句
        if x < y:
            out = x
        else:
            out = z
        out = out + 1
        return out

forward_net = SingleIfNet()

x = ms.Tensor(np.array(0), dtype=ms.int32)
y = ms.Tensor(np.array(1), dtype=ms.int32)
z = ms.Tensor(np.array([1, 2]), dtype=ms.int32)

output = forward_net(x, y, z)

常量条件的if语句

当if语句中的条件表达式为常量条件时，其使用方式与Python原生语法保持一致，并无额外的约束。如下代码中的if语句条件表达式x < y + 1为常量条件(因为x和y都是标量常量类型)，在图编译时期可确定变量out的类型为标量int类型，网络可正常编译和执行，输出正确结果1。

[1]:

import numpy as np
import mindspore as ms
from mindspore import nn

class SingleIfNet(nn.Cell):

    def construct(self, z):
        x = 0
        y = 1

        # 构造条件表达式为常量条件的if语句
        if x < y + 1:
            out = x
        else:
            out = z
        out = out + 1

        return out

z = ms.Tensor(np.array([0, 1]), dtype=ms.int32)
forward_net = SingleIfNet()

output = forward_net(z)
print("output:", output)

output: 1

for语句

for语句会将循环体展开，因此使用for语句的网络的子图数量、算子数量取决于for语句的循环次数，算子数量过多或者子图过多会消耗更多的硬件资源。

下面的示例代码中，for语句中的循环体会被执行3次，输出结果为5。

[2]:

import numpy as np
from mindspore import nn
import mindspore as ms

class IfInForNet(nn.Cell):

    def construct(self, x, y):
        out = 0

        # 构造条件表达式为常量条件的for语句
        for i in range(0, 3):
            # 构造条件表达式为变量条件的if语句
            if x + i < y:
                out = out + x
            else:
                out = out + y
            out = out + 1

        return out

forward_net = IfInForNet()

x = ms.Tensor(np.array(0), dtype=ms.int32)
y = ms.Tensor(np.array(1), dtype=ms.int32)

output = forward_net(x, y)
print("output:", output)

output: 5

由于for语句会展开循环体内容，所以上面的代码和下面的代码等价：

[3]:

import numpy as np
from mindspore import nn
import mindspore as ms

class IfInForNet(nn.Cell):
    def construct(self, x, y):
        out = 0

        # 循环： 0
        if x + 0 < y:
            out = out + x
        else:
            out = out + y
        out = out + 1
        # 循环： 1
        if x + 1 < y:
            out = out + x
        else:
            out = out + y
        out = out + 1
        # 循环： 2
        if x + 2 < y:
            out = out + x
        else:
            out = out + y
        out = out + 1

        return out

forward_net = IfInForNet()

x = ms.Tensor(np.array(0), dtype=ms.int32)
y = ms.Tensor(np.array(1), dtype=ms.int32)

output = forward_net(x, y)
print("output:", output)

output: 5

从上面两段示例代码我们可以看出，在部分场景下，使用for语句会导致出现子图过多的问题时。为了节约硬件资源开销，提升网络编译性能，可尝试将for语句等价转换为条件表达式是变量条件的while语句。

while语句

while语句相比for语句更为灵活。当while的条件为常量时，while对循环体的处理和for类似，会展开循环体内容。

当while的条件表达式是变量条件时，while语句则不会展开循环体内容，而是在执行图中产生控制流算子，因此可以避免for循环带来的子图过多的问题。

常量条件的while语句

下面的示例代码中，for语句中的循环体会被执行3次，输出结果为5，和上面介绍for语句中的示例代码本质上是一样的。

[4]:

import numpy as np
from mindspore import nn
import mindspore as ms

class IfInWhileNet(nn.Cell):

    def construct(self, x, y):
        i = 0
        out = x
        # 构造条件表达式为常量条件的while语句
        while i < 3:
            # 构造条件表达式为变量条件的if语句
            if x + i < y:
                out = out + x
            else:
                out = out + y
            out = out + 1
            i = i + 1
        return out

forward_net = IfInWhileNet()
x = ms.Tensor(np.array(0), dtype=ms.int32)
y = ms.Tensor(np.array(1), dtype=ms.int32)

output = forward_net(x, y)
print("output:", output)

output: 5

变量条件的while语句

约束：当while语句中的条件表达式是变量条件时，循环体内部不能更改算子的输入shape，并且循环体内与循环体外相同名称变量数据类型应该一致，例如Tensor类型变量要求shape和type一致。

MindSpore要求网络的同一个算子的输入shape在图编译时是确定的，而在while的循环体内部改变算子输入shape的操作是在图执行时生效，两者是矛盾的。

下面我们通过示例代码来说明：

import numpy as np
from mindspore import nn
import mindspore as ms
from mindspore import ops

class IfInWhileNet(nn.Cell):

    def __init__(self):
        super().__init__()

    def construct(self, x, y, i):
        out = x
        # 构造条件表达式为变量条件的while语句
        while i < 3:
            if x + i < y:
                out = out + x
            else:
                out = out + y
            out = out + 1
            # 更改算子的输入shape
            out = ops.expand_dims(out, -1)
            i = i + 1
        return out

forward_net = IfInWhileNet()
i = ms.Tensor(np.array(0), dtype=ms.int32)
x = ms.Tensor(np.array(0), dtype=ms.int32)
y = ms.Tensor(np.array(1), dtype=ms.int32)

output = forward_net(x, y, i)

上面的代码中，条件表达式i < 3为变量条件的while循环体内部的ExpandDims算子会改变表达式out = out + 1在下一轮循环的输入shape，因此会导致图编译出错。代码在执行时报错信息如下:

RuntimeError: Exceed function call depth limit 1000, (function call depth: 1001, simulate call depth: 665).