# IR文件分析 [![查看源文件](https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/website-images/r2.3.q1/resource/_static/logo_source.svg)](https://gitee.com/mindspore/docs/blob/r2.3.q1/tutorials/source_zh_cn/advanced/error_analysis/mindir.md) ## 概述 在图模式`set_context(mode=GRAPH_MODE)`下运行用MindSpore编写的模型时，若配置中设置了`set_context(save_graphs=2)`，运行时会输出一些图编译过程中生成的中间文件，我们称为IR文件。当前主要有两种格式的IR文件： - ir后缀结尾的IR文件：一种比较直观易懂的以文本格式描述模型结构的文件，可以直接用文本编辑软件查看。 - dot后缀结尾的IR文件：若在配置中设置了`set_context(save_graphs=3)`, 运行时会输出后缀为dot的ir文件。该文件描述了不同节点间的拓扑关系，可以用[graphviz](http://graphviz.org)将此文件作为输入生成图片，方便用户直观地查看模型结构。对于算子比较多的模型，推荐使用可视化组件[MindSpore Insight](https://www.mindspore.cn/mindinsight/docs/zh-CN/r2.3/dashboard.html#计算图可视化)对计算图进行可视化。 ## 如何保存IR 通过`set_context(save_graphs=2)`来保存各个编译阶段的中间代码。被保存的中间代码有两种格式，默认保存后缀名为`.ir`的文本格式的ir文件。如果设置`set_context(save_graphs=3)`会打印后缀名为`.dot`的图形化格式的ir文件。当网络规模不大时，建议使用更直观的图形化格式来查看，当网络规模较大时建议使用更高效的文本格式来查看。 `.dot`文件可以通过graphviz转换为图片格式来查看，例如将dot转换为png的命令是`dot -Tpng *.dot -o *.png`。 在训练脚本`train.py`中，我们在`set_context`函数中添加如下代码，运行训练脚本时，MindSpore会自动将编译过程中产生的IR文件存放到指定路径。 ```python if __name__ == "__main__": set_context(save_graphs=3, save_graphs_path="path/to/ir/files") ``` 执行训练命令后，在指定的路径下生成了若干个文件： ```text . ├──00_parse_0000.ir ├──00_parse_0001.dot ├──01_symbol_resolve_0002.ir ├──01_symbol_resolve_0003.dot ├──02_combine_like_graphs_0004.ir ├──02_combine_like_graphs_0005.dot ├──03_inference_opt_prepare_0006.ir ├──03_inference_opt_prepare_0007.dot ├──04_abstract_specialize_0008.ir ├──04_abstract_specialize_0009.dot ... ``` 其中以数字下划线开头的IR文件是在前端编译图过程中生成的，编译过程中各阶段分别会保存一次计算图。下面介绍图编译过程中比较重要的阶段: - `parse`阶段负责解析入口函数，该阶段会初步生成MindIR，如果查看IR文件，我们能观察到该阶段仅仅解析了顶层Cell的图信息； - `symbol_resolve`阶段负责进一步解析入口函数，主要是递归解析入口函数直接或间接引用到的其他函数和对象。如果使用了尚不支持的语法，一般会在此阶段出错； - `abstract_specialize`阶段，会根据输入信息推导出IR中所有节点的数据类型和形状信息。当需要查看IR中具体算子的形状或数据类型，可查看该IR文件； - `optimize`阶段负责硬件无关的优化，自动微分与自动并行功能也是在该阶段展开。该阶段又可细分为若干个子阶段，在IR文件列表中，其中以`opt_pass_[序号]`为前缀的文件分别是这些子阶段结束后保存的IR文件，非框架开发人员无需过多关注； - `validate`阶段负责校验编译出来的计算图，如果到此阶段IR中还有仅临时使用的内部算子，则会报错退出； - `task_emit`阶段负责将计算图传给后端进一步处理； - `execute`阶段负责启动执行图流程，该阶段的IR图是前端编译阶段的最终图。 此外，后端由于比较贴近底层，后端优化过程中保存的其他IR文件（如以`hwopt`开头的文件）非框架开发人员也无需过多关注。非框架开发人员仅需查看名为`graph_build_[图序号]_[IR文件序号].ir`的文件，即经过前后端全部优化后的IR。 >由于后端以子图为单位进行优化，故可能会保存多份文件，与前端多个子图都保存在同一文件中的机制不同。 ## IR文件解读 下面以一个简单的例子来说明IR文件的内容，运行该脚本： ```python import mindspore as ms import mindspore.nn as nn from mindspore import ops ms.set_context(mode=ms.GRAPH_MODE) ms.set_context(save_graphs=2, save_graphs_path="./ir") class Net(nn.Cell): def __init__(self): super().__init__() def func(x, y): return ops.div(x, y) def construct(self, x, y): a = ops.sub(x, 1) b = ops.add(a, y) if b : b = ops.mul(b, self.func(a, b)) return b input1 = ms.Tensor(3, ms.float32) input2 = ms.Tensor(2, ms.float32) net = Net() out = net(input1, input2) print(out) ``` ### ir文件介绍 使用文本编辑软件（例如`vi`）打开执行完后输出的IR文件`14_validate_0042.ir`，内容如下所示（此处版本为MindSpore 2.1，后续版本中内容可能会有一些细微变化）： ```text 1 # IR entry: @20_1___main___Net_construct.295 2 # Total subgraphs: 3 3 4 # Attrs: 5 check_set_strategy_valid_once_only : 1 6 auto_parallel_finish_pre_action : 1 7 8 # Total params: 2 9 # Params: 10 %para1_x : 11 %para2_y : 12 13 subgraph attr: 14 check_set_strategy_valid_once_only : 1 15 auto_parallel_finish_pre_action : 1 16 subgraph instance: 20_1___main___Net_construct.295 : 0x55da18f612a0 17 # In file t6.py:15/ def construct(self, x, y):/ 18 subgraph @20_1___main___Net_construct.295() { 19 %0(a) = Sub(%para1_x, Tensor(shape=[], dtype=Float32, value=1)) primitive_attrs: {output_names: [output], input_names: [x, y]} 20 : (, ) -> () 21 # Scope: (Default) 22 # In file /workspace/mindspore/build/package/mindspore/ops/function/math_func.py:839/ return tensor_sub(input, other)/ 23 %1(b) = Add(%0, %para2_y) primitive_attrs: {output_names: [output], input_names: [x, y]} 24 : (, ) -> () 25 # Scope: (Default) 26 # In file /workspace/mindspore/build/package/mindspore/ops/function/math_func.py:316/ return _get_cache_prim(P.Add)()(input, other)/ 27 %2([CNode]273) = Cast(%1, Bool) primitive_attrs: {output_names: [output], input_names: [x, dst_type], SrcT: F32, DstT: Bool} 28 : (, ) -> () 29 # Scope: (Default) 30 # In file /workspace/mindspore/build/package/mindspore/_extends/parse/standard_method.py:3359/ return F.cast(x, mstype.bool_)/ 31 %3([CNode]298) = Partial(@21_3_✓__main___Net_construct.296, %1, %0) primitive_attrs: {side_effect_propagate: I64(1)} 32 : (, , ) -> () 33 # Scope: (Default) 34 %4([CNode]299) = Partial(@22_15_✗__main___Net_construct.297, %1) primitive_attrs: {side_effect_propagate: I64(1)} 35 : (, ) -> () 36 # Scope: (Default) 37 %5([CNode]9) = Switch(%2, %3, %4) 38 : (, , ) -> () 39 # Scope: (Default) 40 # In file t6.py:18/ if b :/ 41 %6([CNode]12) = %5[@FuncUnion(@21_3_✓__main___Net_construct.296, @22_15_✗__main___Net_construct.297)]() 42 : () -> () 43 # Scope: (Default) 44 # In file t6.py:18/ if b :/ 45 Return(%6) 46 : () 47 # Scope: (Default) 48 # In file t6.py:18/ if b :/ 49 } 50 51 52 switch_input: 1 53 subgraph attr: 54 defer_inline : 0 55 undeterminate : 0 56 subgraph instance: 21_3_✓__main___Net_construct.296 : 0x55da18f59e20 57 # In file t6.py:18/ if b :/ 58 subgraph @21_3_✓__main___Net_construct.296(%para3_b, %para4_a) { 59 %0([CNode]8) = Div(%para4_a, %para3_b) primitive_attrs: {output_names: [output], input_names: [x, y]} 60 : (, ) -> () 61 # Scope: (Default) 62 # In file /workspace/mindspore/build/package/mindspore/ops/function/math_func.py:998/ output = _get_cache_prim(P.Div)()(input, other)/ 63 %1(b) = Mul(%para3_b, %0) primitive_attrs: {output_names: [output], input_names: [x, y]} 64 : (, ) -> () 65 # Scope: (Default) 66 # In file /workspace/mindspore/build/package/mindspore/ops/function/math_func.py:929/ return tensor_mul(input, other)/ 67 Return(%1) 68 : () 69 # Scope: (Default) 70 # In file t6.py:19/ b = ops.mul(b, self.func(a, b))/ 71 } 72 73 74 switch_input: 1 75 subgraph attr: 76 defer_inline : 0 77 undeterminate : 0 78 subgraph instance: 22_15_✗__main___Net_construct.297 : 0x55da18f62280 79 # In file t6.py:18/ if b :/ 80 subgraph @22_15_✗__main___Net_construct.297(%para5_b) { 81 Return(%para5_b) 82 : () 83 # Scope: (Default) 84 # In file t6.py:18/ if b :/ 85 } ``` 以上内容可分为两个部分，第一部分为图的输入信息，第二部分为图的结构信息： - 第1行告诉了我们该网络的顶图名称 `20_1___main___Net_construct.295`，也就是入口图。 - 第2行告诉我们该网络解析出来的图的数量，该IR文件展示了三张图的信息。 分别为第13行的入口图`20_1___main___Net_construct.295`；第52行的图`21_3_✓__main___Net_construct.296`，对应着网络中if条件为true时所运行的图；第74行的图`22_15_✗__main___Net_construct.297`，即对应着网络中if条件为false时所运行的图。 - 第8行告诉了我们该网络有多少个输入。 - 第10-11行是输入列表，遵循`%para[序号]_[name] : <[data_type], (shape)>`的格式。 对于具体的图来说（此处我们以图`20_1___main___Net_construct.295`为例）： - 第13-49行展示了图结构的信息，图中含有若干个节点，即`CNode`。该图包含`Sub`、`Add`、`Mul`这些在网路所调用的接口中所用到的算子。 `CNode`（[ANF-IR的设计请查看](https://www.mindspore.cn/docs/zh-CN/r2.3.0rc1/design/all_scenarios.html#文法定义)）的信息遵循如下格式，从左到右分别为序号、节点名称-debug_name、算子名称-op_name、输入节点-arg、节点的属性-primitive_attrs、输入和输出的规格、源码解析调用栈等信息。 由于ANF图为单向无环图，所以此处仅根据输入关系来体现节点与节点的连接关系。关联代码行则体现了`CNode`与脚本源码之间的关系，例如第44行表明该节点是由脚本中`if b`这一行解析而来。 ```text %[序号]([debug_name]) = [op_name]([arg], ...) primitive_attrs: {[key]: [value], ...} : (<[输入data_type]x[输入shape]>, ...) -> (<[输出data_type]x[输出shape]>, ...) # 关联代码行 ``` 关于关联代码行的说明： - 代码行展示有两种模式，第一种是显示完整的调用栈，前端或后端最后生成的IR文件(如前端的`17_execute_0765.ir`和后端的`graph_build_0_136.ir`) 按此模式展示代码行；第二种为了减小文件的体积，只显示第一行，即省去了调用过程（如`04_abstract_specialize_0012.ir`）。 - 如果算子是反向传播算子，关联代码行除了会显示本身的代码，还会显示对应的正向代码，通过“Corresponding forward node candidate:”标识。 - 如果算子是融合算子，关联代码行会显示出融合的相关代码，通过“Corresponding code candidate:”标识，其中用分隔符“-”区分不同的代码。 > - 经过编译器的若干优化处理后，节点可能经过了若干转换（如算子拆分、算子融合等），节点的源码解析调用栈信息与脚本可能无法完全一一对应，这里仅作为辅助手段。 > - 在后端经过算子选择阶段后，输入输出规格信息（即`:`后内容）会有两行。第一行表示为`HOST`侧的规格信息，第二行为`DEVICE`侧的规格信息。 ### dot文件介绍 可以用[graphviz](http://graphviz.org)将`dot`格式的IR文件作为输入生成图片。例如，在Linux操作系统下，可以通过以下命令转换成一张PNG图片。 ```shell dot -Tpng -o 04_abstract_specialize_0014.png 04_abstract_specialize_0014.dot ``` 转换后的图片如下所示，我们可以直观地查看模型结构。不同的黑框区分了不同的子图，图与图之间的蓝色箭头表示相互之间的调用。蓝色区域表示参数，矩形表示图的参数列表，六边形和黑色箭头表示该参数作为CNode的输入参与计算过程。黄色矩形表示CNode节点，从图中可以看出，CNode输入从下标0开始，第0个输入（即紫色或绿色区域）表示该算子将要进行怎样的计算，通过虚箭头连接。类型一般为算子原语，也可以是另一张图。下标1之后的输入则为计算所需要的参数。 ![04_abstract_specialize_0014.png](./images/dot_to_png.png) 对于算子比较多的模型，图片会过于庞大，推荐使用可视化组件[MindSpore Insight](https://www.mindspore.cn/mindinsight/docs/zh-CN/r2.3/dashboard.html#计算图可视化)对计算图进行可视化。 ## 如何根据analyze_fail.ir文件分析图推导失败的原因 MindSpore在编译图的过程中，经常会出现`abstract_specialize`阶段的图推导失败的报错，通常我们能根据报错信息以及analyze_fail.ir文件，来定位出脚本中存在的问题。 ### 例子1：参数数量不匹配 ```python 1 import mindspore as ms 2 import mindspore.nn as nn 3 from mindspore import ops 4 5 ms.set_context(mode=ms.GRAPH_MODE) 6 ms.set_context(save_graphs=2, save_graphs_path="./ir") 7 8 class Net(nn.Cell): 9 def __init__(self): 10 super().__init__() 11 12 def func(x, y): 13 return ops.div(x, y) 14 15 def construct(self, x, y): 16 a = ops.sub(x, 1) 17 b = ops.add(a, y) 18 c = ops.mul(b, self.func(a, a, b)) 19 20 input1 = ms.Tensor(3, ms.float32) 21 input2 = ms.Tensor(2, ms.float32) 22 net = Net() 23 out = net(input1, input2) 24 print(out) ``` 会出现如下的报错： ```text 1 Traceback (most recent call last): 2 File "t2.py", line 23, in 3 out = net(input1, input2) 4 File "/workspace/mindspore/build/package/mindspore/nn/cell.py", line 640, in __call__ 5 out = self.compile_and_run(*args, **kwargs) 6 File "/workspace/mindspore/build/package/mindspore/nn/cell.py", line 964, in compile_and_run 7 self.compile(*args, **kwargs) 8 File "/workspace/mindspore/build/package/mindspore/nn/cell.py", line 942, in compile 9 jit_config_dict=self._jit_config_dict, *compile_args, **kwargs) 10 File "/workspace/mindspore/build/package/mindspore/common/api.py", line 1639, in compile 11 result = self._graph_executor.compile(obj, args, kwargs, phase, self._use_vm_mode()) 12 TypeError: The parameters number of the function is 2, but the number of provided arguments is 3. 13 FunctionGraph ID : func.21 14 NodeInfo: In file t2.py:12 15 def func(x, y): 16 17 ---------------------------------------------------- 18 - The Traceback of Net Construct Code: 19 ---------------------------------------------------- 20 The function call stack (See file '/workspace/mindspore/rank_0/om/analyze_fail.ir' for more details. Get instructions about `analyze_fail.ir` at https://www.mindspore.cn/search?inputValue=analyze_fail.ir): 21 # 0 In file t2.py:18 22 c = ops.mul(b, self.func(a, a, b)) 23 ^ 24 25 ---------------------------------------------------- 26 - C++ Call Stack: (For framework developers) 27 ---------------------------------------------------- 28 mindspore/ccsrc/pipeline/jit/static_analysis/stack_frame.cc:102 DoJump ``` 以上的报错信息为：“TypeError: The parameters number of the function is 2, but the number of provided arguments is 3...”。 表明`FunctionGraph ID : func.18`只需要2个参数，但是却提供了3个参数。从“The function call stack ...”中，可以知道出错的代码为：“In file t2.py:18 ... self.func(a, a, b)”，易知是该处的函数调用传入参数的数目过多。 但如果报错信息不直观或者需要查看IR中已推导出的部分图信息，我们使用文本编辑软件（例如，vi）打开报错信息中的提示的文件（第20行括号中）：`/home/workspace/mindspore/rank_0/om/analyze_fail.ir`，内容如下（此处版本为MindSpore 2.1，后续版本中内容可能会有一些细微变化）： ```text 1 # 1.This file shows the parsed IR info when graph evaluating failed to help find the problem. 2 # 2.You can search the last `------------------------>` to the node which is inferred failed. 3 # 3.Refer to https://www.mindspore.cn/search?inputValue=analyze_fail.ir to get more instructions. 4 # =============================================================================== 5 6 subgraph attr: 7 subgraph instance: __main___Net_construct.1 : 0x5592157f3640 8 # In file t2.py:15/ def construct(self, x, y):/ 9 subgraph @__main___Net_construct.1(%para1_x, %para2_y) { 10 %1(a) = call @sub.19(%para1_x, I64(1)) 11 : (, ) -> () 12 #scope: (Default) 13 # In file t2.py:16/ a = ops.sub(x, 1)/ 14 %2(b) = call @add.20(%1, %para2_y) 15 : (, ) -> () 16 #scope: (Default) 17 # In file t2.py:17/ b = ops.add(a, y)/ 18 19 #------------------------> 0 20 %3([CNode]7) = call @func.21(%1, %1, %2) 21 : (, , ) -> () 22 #scope: (Default) 23 # In file t2.py:18/ c = ops.mul(b, self.func(a, a, b))/ 24 %4(c) = call @mul.22(%2, %3) 25 : (, ) -> () 26 #scope: (Default) 27 # In file t2.py:18/ c = ops.mul(b, self.func(a, a, b))/ 28 %5([CNode]8) = StopGradient(%4) 29 : () -> () 30 #scope: (Default) 31 %6([CNode]9) = Depend[side_effect_propagate: I64(1)](None, %5) 32 : (, ) -> () 33 #scope: (Default) 34 # In file t2.py:15/ def construct(self, x, y):/ 35 Return(%6) 36 : () 37 #scope: (Default) 38 # In file t2.py:15/ def construct(self, x, y):/ 39 } 40 # Order: 41 # 1: @__main___Net_construct.1:a{[0]: ValueNode sub.19, [1]: x, [2]: ValueNode 1} 42 # 2: @__main___Net_construct.1:b{[0]: ValueNode add.20, [1]: a, [2]: y} 43 # 3: @__main___Net_construct.1:[CNode]7{[0]: ValueNode func.21, [1]: a, [2]: a, [3]: b} 44 # 4: @__main___Net_construct.1:c{[0]: ValueNode mul.22, [1]: b, [2]: [CNode]7} 45 # 5: @__main___Net_construct.1:[CNode]18{[0]: ValueNode Return, [1]: [CNode]9} 46 47 48 #=============================================================================== 49 # num of function graphs in stack: 1 ``` `analyze_fail.ir`文件与前文介绍过的ir文件格式一致，唯一有区别的地方在于`analyze_fail.ir`文件中会指出推导出错的节点所在的位置，即第19行的`------------------------> 0`。该箭头指向了推导出错的节点，为`%3([CNode]5) = call @func.21(%1, %1, %2) ...`。 根据`(%1, %1, %2)`可知，该节点的输入参数有三个。从源码解析调用栈中可以知道实际该函数为`self.func`，在脚本中的定义为`def dunc(x, y):...`。 在函数定义中，只需要两个参数，故会在此处出现推导失败的报错，我们需要修改脚本中传入的参数个数以解决该问题。 ### 例子2：BiasAdd输入之间shape不匹配 ```python 1 import numpy as np 2 import mindspore as ms 3 from mindspore import nn, ops, set_context, Tensor, Parameter 4 from mindspore.common.initializer import initializer 5 6 ms.set_context(mode=ms.GRAPH_MODE) 7 8 class Net(nn.Cell): 9 def __init__(self): 10 super(Net, self).__init__() 11 self.weight = Parameter(initializer('normal', [32, 8]), name="weight") 12 self.bias = Parameter(initializer('zeros', [4]), name="bias") 13 14 def construct(self, x1): 15 x = ops.matmul(x1, self.weight) 16 x = ops.bias_add(x, self.bias) 17 return x 18 19 net = Net() 20 x = Tensor(np.arange(3*32).reshape(3, 32), ms.float32) 21 out = net(x) 22 print('out', out.shape) ``` 会出现如下的报错： ```text 1 Traceback (most recent call last): 2 File "t2.py", line 21, in 3 out = net(x) 4 File "/workspace/mindspore/build/package/mindspore/nn/cell.py", line 640, in __call__ 5 out = self.compile_and_run(*args, **kwargs) 6 File "/workspace/mindspore/build/package/mindspore/nn/cell.py", line 964, in compile_and_run 7 self.compile(*args, **kwargs) 8 File "/workspace/mindspore/build/package/mindspore/nn/cell.py", line 942, in compile 9 jit_config_dict=self._jit_config_dict, *compile_args, **kwargs) 10 File "/workspace/mindspore/build/package/mindspore/common/api.py", line 1639, in compile 11 result = self._graph_executor.compile(obj, args, kwargs, phase, self._use_vm_mode()) 12 ValueError: For 'BiasAdd', bias[0] shape should be equal to input_x[1] shape when data_format is NCHW. 13 14 ---------------------------------------------------- 15 - The Traceback of Net Construct Code: 16 ---------------------------------------------------- 17 The function call stack (See file '/workspace/mindspore/rank_0/om/analyze_fail.ir' for more details. Get instructions about `analyze_fail.ir` at https://www.mindspore.cn/search?inputValue=analyze_fail.ir): 18 # 0 In file t2.py:16 19 x = ops.bias_add(x, self.bias) 20 ^ 21 # 1 In file /workspace/mindspore/build/package/mindspore/ops/function/nn_func.py:5498 22 return bias_add_op(input_x, bias) 23 ^ 24 25 ---------------------------------------------------- 26 - C++ Call Stack: (For framework developers) 27 ---------------------------------------------------- 28 mindspore/core/ops/bias_add.cc:88 BiasAddInferShape ``` 根据以上报错可知，是算子`BiasAdd`的第一个输入和第二个输入的`shape`不匹配导致的错误。为了进一步了解算子的`shape`是经过了什么样的变化，我们使用文本编辑软件（例如，vi）打开报错信息中的提示的文件：`/home/workspace/mindspore/rank_0/om/analyze_fail.ir`，内容如下（此处版本为MindSpore 2.1，后续版本中内容可能会有一些细微变化）： ```text 1 # 1.This file shows the parsed IR info when graph evaluating failed to help find the problem. 2 # 2.You can search the last `------------------------>` to the node which is inferred failed. 3 # 3.Refer to https://www.mindspore.cn/search?inputValue=analyze_fail.ir to get more instructions. 4 # =============================================================================== 5 6 subgraph attr: 7 subgraph instance: __main___Net_construct.1 : 0x5629496604e0 8 # In file t2.py:14/ def construct(self, x1):/ 9 subgraph @__main___Net_construct.1(%para1_x1, %para2_bias, %para3_weight) { 10 %1(x) = call @matmul.7(%para1_x1, %para3_weight) 11 : (, ) -> () 12 #scope: (Default) 13 # In file t2.py:15/ x = ops.matmul(x1, self.weight)/ 14 15 #------------------------> 0 16 %2(x) = call @bias_add.6(%1, %para2_bias) 17 : (, ) -> () 18 #scope: (Default) 19 # In file t2.py:16/ x = ops.bias_add(x, self.bias)/ 20 Return(%2) 21 : () 22 #scope: (Default) 23 # In file t2.py:17/ return x/ 24 } 25 # Order: 26 # 1: @__main___Net_construct.1:x{[0]: ValueNode matmul.7, [1]: x1, [2]: weight} 27 # 2: @__main___Net_construct.1:x{[0]: ValueNode bias_add.6, [1]: x, [2]: bias} 28 # 3: @__main___Net_construct.1:[CNode]8{[0]: ValueNode Return, [1]: x} 29 30 31 subgraph attr: 32 subgraph instance: bias_add.6 : 0x56294970ce70 33 # In file /workspace/mindspore/build/package/mindspore/ops/function/nn_func.py:5470/def bias_add(input_x, bias):/ 34 subgraph @bias_add.6(%para4_input_x, %para5_bias) { 35 %1([CNode]10) = call @_get_cache_prim.9(ClassType) 36 : () -> () 37 #scope: (Default) 38 # In file /workspace/mindspore/build/package/mindspore/ops/function/nn_func.py:5497/ bias_add_op = _get_cache_prim(P.BiasAdd)(data_format="NCHW")/ 39 %2([CNode]11) = S-Prim-MakeTuple("data_format") 40 : () -> () 41 #scope: (Default) 42 # In file /workspace/mindspore/build/package/mindspore/ops/function/nn_func.py:5497/ bias_add_op = _get_cache_prim(P.BiasAdd)(data_format="NCHW")/ 43 %3([CNode]12) = S-Prim-MakeTuple("NCHW") 44 : () -> () 45 #scope: (Default) 46 # In file /workspace/mindspore/build/package/mindspore/ops/function/nn_func.py:5497/ bias_add_op = _get_cache_prim(P.BiasAdd)(data_format="NCHW")/ 47 %4([CNode]13) = S-Prim-make_dict(%2, %3) 48 : (, ) -> () 49 #scope: (Default) 50 # In file /workspace/mindspore/build/package/mindspore/ops/function/nn_func.py:5497/ bias_add_op = _get_cache_prim(P.BiasAdd)(data_format="NCHW")/ 51 %5(bias_add_op) = UnpackCall-unpack_call(%1, %4) 52 : (, ) -> () 53 #scope: (Default) 54 # In file /workspace/mindspore/build/package/mindspore/ops/function/nn_func.py:5497/ bias_add_op = _get_cache_prim(P.BiasAdd)(data_format="NCHW")/ 55 56 #------------------------> 1 57 %6([CNode]14) = %5(%para4_input_x, %para5_bias) 58 : (, ) -> () 59 #scope: (Default) 60 # In file /workspace/mindspore/build/package/mindspore/ops/function/nn_func.py:5498/ return bias_add_op(input_x, bias)/ 61 Return(%6) 62 : () 63 #scope: (Default) 64 # In file /workspace/mindspore/build/package/mindspore/ops/function/nn_func.py:5498/ return bias_add_op(input_x, bias)/ 65 } 66 # Order: 67 # 1: @bias_add.6:[CNode]10{[0]: ValueNode _get_cache_prim.9, [1]: ValueNode class 'mindspore.ops.operations.nn_ops.BiasAdd'} 68 # 2: @bias_add.6:[CNode]11{[0]: ValueNode S-Prim-MakeTuple, [1]: ValueNode data_format} 69 # 3: @bias_add.6:[CNode]12{[0]: ValueNode S-Prim-MakeTuple, [1]: ValueNode NCHW} 70 # 4: @bias_add.6:[CNode]13{[0]: ValueNode S-Prim-make_dict, [1]: [CNode]11, [2]: [CNode]12} 71 # 5: @bias_add.6:bias_add_op{[0]: ValueNode MetaFuncGraph-unpack_call.15, [1]: [CNode]10, [2]: [CNode]13} 72 # 6: @bias_add.6:[CNode]14{[0]: bias_add_op, [1]: input_x, [2]: bias} 73 # 7: @bias_add.6:[CNode]16{[0]: ValueNode Return, [1]: [CNode]14} 74 75 76 #=============================================================================== 77 # num of function graphs in stack: 2/3 (Ignored 1 internal frames). ``` 搜索`------------------------>`来到第15行，即推导出错的位置。根据`...(%1, %para2_bias) :(, ) -> (``)`可知，算子`BiasAdd`的输入是`%1`和`%para2_bias`这两个节点。其中，`%1`的shape是`[3, 8]`，`%para2_bias`的shape是`[4]`，不符合算子API中`BiasAdd`算子的描述`bias (Tensor) - 偏置Tensor，shape为 (C)。C必须与 input_x 的通道维度C相同...`的要求，故此处报错。 因此，为了解决该问题，我们要么修改`%1`的shape，要么修改`%para2`（即`self.bias`）的shape。 - 如果修改`self.bias`的维度，只需要改成`self.bias = Parameter(initializer('zeros', [8]), name="bias")`。 - 如果修改`%1`的shape，我们先要明白`%1`是什么。根据第10行可知，这是一个`MatMul`算子，输出shape是`[3, 8]`。该算子的输入是`(%para1_x1, %para3_weight)`，第一个输入的shape是`[3, 32]`（即我们传入的参数`x`），第二个输入shape是`[32, 8]`（即`self.weight`）。为了满足和shape为`[4]`的数据`BiasAdd`的要求，需要使得`%1`的输出shape为`[3, 4]`，因此我们修改`self.weight`为`self.weight = Parameter(initializer('normal', [32, 4]), name="weight")`。