mindspore2022/docs/api/api_python/nn/mindspore.nn.Cell.rst

mindspore.nn.Cell
==================

.. py:class:: mindspore.nn.Cell(auto_prefix=True, flags=None)

    所有神经网络的基类。

    一个 `Cell` 可以是单一的神经网络单元，如 :class:`mindspore.nn.Conv2d`, :class:`mindspore.nn.ReLU`,  :class:`mindspore.nn.BatchNorm` 等，也可以是组成网络的 `Cell` 的结合体。

    .. note::
       一般情况下，自动微分 (AutoDiff) 算法会自动调用梯度函数，但是如果使用反向传播方法 (bprop method)，梯度函数将会被反向传播方法代替。反向传播函数会接收一个包含损失对输出的梯度张量 `dout` 和一个包含前向传播结果的张量 `out` 。反向传播过程需要计算损失对输入的梯度，损失对参数变量的梯度目前暂不支持。反向传播函数必须包含自身参数。

    **参数：**

    - **auto_prefix** (Cell) – 递归地生成作用域。默认值：True。
    - **flags** (dict) - Cell的配置信息，目前用于绑定Cell和数据集。用户也通过该参数自定义Cell属性。默认值：None。

    **支持平台：**

    ``Ascend`` ``GPU`` ``CPU``

    **样例** :

    >>> import mindspore.nn as nn
    >>> import mindspore.ops as ops
    >>> class MyCell(nn.Cell):
    ...    def __init__(self):
    ...        super(MyCell, self).__init__()
    ...        self.relu = ops.ReLU()
    ...
    ...    def construct(self, x):
    ...        return self.relu(x)

    .. py:method:: add_flags(**flags)

        为Cell添加自定义属性。

        在实例化Cell类时，如果入参flags不为空，会调用此方法。

        **参数：**

        - **flags** (dict) - Cell的配置信息，目前用于绑定Cell和数据集。用户也通过该参数自定义Cell属性。默认值：None。

    .. py:method:: add_flags_recursive(**flags)

        如果Cell含有多个子Cell，此方法会递归得给所有子Cell添加自定义属性。

        **参数：**

        - **flags** (dict) - Cell的配置信息，目前用于绑定Cell和数据集。用户也通过该参数自定义Cell属性。默认值：None。

    .. py:method:: auto_parallel_compile_and_run()

        是否在‘AUTO_PARALLEL’或‘SEMI_AUTO_PARALLEL’模式下执行编译流程。

        **返回：**

        bool, `_auto_parallel_compile_and_run` 的值。

    .. py:method:: bprop_debug
        :property:

        在图模式下使用，用于标识是否使用自定义的反向传播函数。

    .. py:method:: cast_inputs(inputs, dst_type)

        将输入转换为指定类型。

        **参数：**

        - **inputs** (tuple[Tensor]) - 输入。
        - **dst_type** (mindspore.dtype) - 指定的数据类型。

        **返回：**

        tuple[Tensor]类型，转换类型后的结果。

    .. py:method:: cast_param(param)

        在PyNative模式下，根据自动混合精度的精度设置转换Cell中参数的类型。

        该接口目前在自动混合精度场景下使用。

        **参数：**

        - **param** (Parameter) – Parameter类型，需要被转换类型的输入参数。

        **返回：**

        Parameter类型，转换类型后的参数。

    .. py:method:: cells()

        返回当前Cell的子Cell的迭代器。

        **返回：**

        Iteration类型，Cell的子Cell。

    .. py:method:: cells_and_names(cells=None, name_prefix="")

        递归地获取当前Cell及输入 `cells` 的所有子Cell的迭代器，包括Cell的名称及其本身。

        **参数：**

        - **cell** (str) – 需要进行迭代的Cell。默认值：None。
        - **name_prefix** (str) – 作用域。默认值：''。

        **返回：**

        Iteration类型，当前Cell及输入 `cells` 的所有子Cell和相对应的名称。

        **样例：**

        >>> n = Net()
        >>> names = []
        >>> for m in n.cells_and_names():
        ...    if m[0]:
        ...       names.append(m[0])

    .. py:method:: check_names()

        检查Cell中的网络参数名称是否重复。

    .. py:method:: compile(*inputs)

        编译Cell。

        **参数：**

        - **inputs** (tuple) – Cell的输入。

    .. py:method:: compile_and_run(*inputs)

        编译并运行Cell。

        **参数：**

        - **inputs** (tuple) – Cell的输入。

        **返回：**

        Object类型，执行的结果。

    .. py:method:: construct(*inputs, **kwargs)

        定义要执行的计算逻辑。所有子类都必须重写此方法。

        **返回：**

        Tensor类型，返回计算结果。

    .. py:method:: exec_checkpoint_graph()

        保存checkpoint图。

    .. py:method:: extend_repr()

        设置Cell的扩展表示形式。

        若需要在print时输出个性化的扩展信息，请在您的网络中重新实现此方法。

    .. py:method:: generate_scope()

        为网络中的每个Cell对象生成作用域。

    .. py:method:: get_flags()

        获取该Cell的自定义属性。自定义属性通过 `add_flags` 方法添加。

    .. py:method:: get_func_graph_proto()

        返回图的二进制原型。

    .. py:method:: get_parameters(expand=True)

        返回一个该Cell中parameter的迭代器。

        **参数：**

        - **expand** (bool) – 如果为True，则递归地获取当前Cell和所有子Cell的parameter。否则，只生成当前Cell的子Cell的parameter。默认值：True。

        **返回：**

        Iteration类型，Cell的parameter。

        **样例：**

        >>> n = Net()
        >>> parameters = []
        >>> for item in net.get_parameters():
        ...    parameters.append(item)

    .. py:method:: get_scope()

        返回Cell的作用域。

        **返回：**

        String类型，网络的作用域。

    .. py:method:: infer_param_pipeline_stage()

        推导Cell中当前 `pipeline_stage` 的参数。

        .. note::
            - 如果某参数不属于任何已被设置 `pipeline_stage` 的Cell，此参数应使用 `add_pipeline_stage` 方法来添加它的 `pipeline_stage` 信息。
            - 如果某参数P被stageA和stageB两个不同stage的算子使用，那么参数P在使用 `infer_param_pipeline_stage` 之前，应使用 `P.add_pipeline_stage(stageA)` 和 `P.add_pipeline_stage(stageB)` 添加它的stage信息。

        **返回：**

        属于当前 `pipeline_stage` 的参数。

        **异常：**

        - **RuntimeError** – 如果参数不属于任何stage。


    .. py:method:: insert_child_to_cell(child_name, child_cell)

        将一个给定名称的子Cell添加到当前Cell。

        **参数：**

        - **child_name** (str) – 子Cell名称。
        - **child_cell** (Cell) – 要插入的子Cell。

        **异常：**

        - **KeyError** – 如果子Cell的名称不正确或与其他子Cell名称重复。
        - **TypeError** – 如果子Cell的类型不正确。

    .. py:method:: insert_param_to_cell(param_name, param, check_name=True)

        向当前Cell添加参数。

        将指定名称的参数添加到Cell中。目前在 `mindspore.nn.Cell.__setattr__` 中使用。

        **参数：**

        - **param_name** (str) – 参数名称。
        - **param** (Parameter) – 要插入到Cell的参数。
        - **check_name** (bool) – 是否对 `param_name` 中的"."进行检查。默认值：True。

        **异常：**

        - **KeyError** – 如果参数名称为空或包含"."。
        - **TypeError** – 如果参数的类型不是Parameter。

   .. py:method:: load_parameter_slice(params)

        根据并行策略获取Tensor分片并替换原始参数。

        请参考 `mindspore.common._Executor.compile` 源代码中的用法。

        **参数：**

        - **params** (dict) – 用于初始化数据图的参数字典。


    .. py:method:: name_cells()

        递归地获取一个Cell中所有子Cell的迭代器。

        包括Cell名称和Cell本身。

        **返回：**

        Dict[String, Cell]，Cell中的所有子Cell及其名称。

    .. py:method:: param_prefix
        :property:

        当前Cell的子Cell的参数名前缀。

    .. py:method:: parameter_layout_dict
        :property:

        `parameter_layout_dict` 表示一个参数的张量layout，这种张量layout是由分片策略和分布式算子信息推断出来的。

    .. py:method:: parameters_and_names(name_prefix='', expand=True)

        返回Cell中parameter的迭代器。

        包含参数名称和参数本身。

        **参数：**

        - **name_prefix** (str): 作用域。默认值： ''。
        - **expand** (bool):  如果为True，则递归地获取当前Cell和所有子Cell的参数及名称；如果为False，只生成当前Cell的子Cell的参数及名称。默认值：True。

        **返回：**

        迭代器，Cell的名称和Cell本身。

        **样例：**

        >>> n = Net()
        >>> names = []
        >>> for m in n.parameters_and_names():
        ...     if m[0]:
        ...         names.append(m[0])

    .. py:method:: parameters_broadcast_dict(recurse=True)

        获取这个Cell的参数广播字典。

        **参数：**

        - **recurse** (bool): 是否包含子Cell的参数。 默认: True。

        **返回：**

        OrderedDict, 返回参数广播字典。

    .. py:method:: parameters_dict(recurse=True)

        获取此Cell的parameter字典。

        **参数：**

        - **recurse** (bool) – 是否递归得包含所有子Cell的parameter。默认值：True。

        **返回：**

        OrderedDict类型，返回参数字典。

    .. py:method:: recompute(**kwargs)

        设置Cell重计算。Cell中的所有算子将被设置为重计算。如果一个算子的计算结果被输出到一些反向节点来进行梯度计算，且被设置成重计算，那么我们会在反向传播中重新计算它，而不去存储在前向传播中的中间激活层的计算结果。

        .. note::
            - 如果计算涉及到诸如随机化或全局变量之类的操作，那么目前还不能保证等价。
            - 如果该Cell中算子的重计算API也被调用，则该算子的重计算模式以算子的重计算API的设置为准。
            - 该接口仅配置一次，即当父Cell配置了，子Cell不需再配置。
            - 当应用了重计算且内存充足时，可以配置'mp_comm_recompute=False'来提升性能。
            - 当应用了重计算但内存不足时，可以配置'parallel_optimizer_comm_recompute=True'来节省内存。有相同融合group的Cell应该配置相同的parallel_optimizer_comm_recompute。

        **参数**：

        - **mp_comm_recompute** (bool) – 表示在自动并行或半自动并行模式下，指定Cell内部由模型并行引入的通信操作是否重计算。默认值：True。
        - **parallel_optimizer_comm_recompute** (bool) – 表示在自动并行或半自动并行模式下，指定Cell内部由优化器并行引入的AllGather通信是否重计算。默认值：False。

    .. py:method:: register_backward_hook(fn)

        设置网络反向hook函数。此函数仅在PyNative Mode下支持。

        .. note::
            - fn必须有如下代码定义。 `cell_name` 是已注册网络的名称。 `grad_input` 是传递给网络的梯度。 `grad_output` 是计算或者传递给下一个网络或者算子的梯度，这个梯度可以被修改或者返回。
            - fn的返回值为Tensor或者None：fn(cell_name, grad_input, grad_output) -> Tensor or None。

        **参数：**

        - **fn** (function) – 以梯度作为输入的hook函数。

    .. py:method:: remove_redundant_parameters()

        删除冗余参数。

        这个接口通常不需要显式调用。

    .. py:method:: set_auto_parallel()

        将Cell设置为自动并行模式。

        .. note:: 如果一个Cell需要使用自动并行或半自动并行模式来进行训练、评估或预测，则该Cell需要调用此接口。

    .. py:method:: set_comm_fusion(fusion_type, recurse=True)

        为Cell中的参数设置融合类型。请参考 :class:`mindspore.Parameter.comm_fusion` 的描述。

        .. note:: 当函数被多次调用时，此属性值将被重写。

        **参数：**

        - **fusion_type** (int) – Parameter的 `comm_fusion` 属性的设置值。
        - **recurse** (bool) – 是否递归地设置子Cell的可训练参数。默认值：True。

    .. py:method:: set_data_parallel()

        递归设置该Cell中的所有算子的并行策略为数据并行。

        .. note:: 仅在全自动并行(AUTO_PARALLEL)模式下生效。

        **样例：**

        >>> import mindspore.nn as nn
        >>> net = nn.Dense(3, 4)
        >>> net.set_data_parallel()

    .. py:method:: set_grad(requires_grad=True)

        Cell的梯度设置。在PyNative模式下，该参数指定Cell是否需要梯度。如果为True，则在执行正向网络时，将生成需要计算梯度的反向网络。

        **参数：**

        - **requires_grad** (bool) – 指定网络是否需要梯度，如果为True，PyNative模式下Cell将构建反向网络。默认值：True。

        **返回：**

        Cell类型，Cell本身。

    .. py:method:: set_parallel_input_with_inputs(*inputs)

        通过并行策略对输入张量进行切分。

        **参数**：

        - **inputs** (tuple) – construct方法的输入。

    .. py:method:: set_param_fl(push_to_server=False, pull_from_server=False, requires_aggr=True)

        设置参数与服务器交互的方式。

        **参数**：

        - **push_to_server** (bool) – 是否将参数推送到服务器。默认值：False。
        - **pull_from_server** (bool) – 是否从服务器提取参数。默认值：False。
        - **requires_aggr** (bool) – 是否在服务器中聚合参数。默认值：True。

    .. py:method:: set_param_ps(recurse=True, init_in_server=False)

        设置可训练参数是否由参数服务器更新，以及是否在服务器上初始化可训练参数。

        .. note:: 只在运行的任务处于参数服务器模式时有效。

        **参数**：

         - **recurse** (bool) – 是否设置子网络的可训练参数。默认值：True。
         - **init_in_server** (bool) – 是否在服务器上初始化由参数服务器更新的可训练参数。默认值：False。

    .. py:method:: set_train(mode=True)

        将Cell设置为训练模式。

        设置当前Cell和所有子Cell的训练模式。对于训练和预测具有不同结构的网络层(如 `BatchNorm`)，将通过这个属性区分分支。如果设置为True，则执行训练分支，否则执行另一个分支。

        **参数：**

        - **mode** (bool) – 指定模型是否为训练模式。默认值：True。

        **返回：**

        Cell类型，Cell本身。

    .. py:method:: to_float(dst_type)

        在Cell和所有子Cell的输入上添加类型转换，以使用特定的浮点类型运行。

        如果 `dst_type` 是 `mindspore.dtype.float16` ，Cell的所有输入(包括作为常量的input， Parameter， Tensor)都会被转换为float16。请参考 `mindspore.build_train_network` 的源代码中的用法。

        .. note:: 多次调用将产生覆盖。

        **参数：**

        - **dst_type** (mindspore.dtype) – Cell转换为 `dst_type` 类型运行。 `dst_type` 可以是 `mindspore.dtype.float16` 或者  `mindspore.dtype.float32` 。

        **返回：**

        Cell类型，Cell本身。

        **异常：**

        - **ValueError** – 如果 `dst_type` 不是 `mindspore.dtype.float32` ，也不是 `mindspore.dtype.float16`。

    .. py:method:: trainable_params(recurse=True)

        返回Cell的可训练参数。

        返回一个可训练参数的列表。

        **参数：**

        - **recurse** (bool) – 是否递归地包含当前Cell的所有子Cell的可训练参数。默认值：True。

        **返回：**

        List类型，可训练参数列表。

    .. py:method:: untrainable_params(recurse=True)

        返回Cell的不可训练参数。

        返回一个不可训练参数的列表。

        **参数：**

        - **recurse** (bool) – 是否递归地包含当前Cell的所有子Cell的不可训练参数。默认值：True。

        **返回：**

        List类型，不可训练参数列表。

    .. py:method:: update_cell_prefix()

        递归地更新所有子Cell的 `param_prefix` 。

        在调用此方法后，可以通过Cell的 `param_prefix` 属性获取该Cell的所有子Cell的名称前缀。

    .. py:method:: update_cell_type(cell_type)

        量化感知训练网络场景下，更新当前Cell的类型。

        此方法将Cell类型设置为 `cell_type` 。

        **参数：**

        - **cell_type** (str) – 被更新的类型，`cell_type` 可以是"quant"或"second-order"。

    .. py:method:: update_parameters_name(prefix="", recurse=True)

        给网络参数名称添加 `prefix` 前缀字符串。

        **参数：**

        - **prefix** (str) – 前缀字符串。默认值：''。
        - **recurse** (bool) – 是否递归地包含所有子Cell的参数。默认值：True。