目录
背景介绍
动态图模式
静态图模式
静态图模式的使用场景
静态图模式开启方式
基于装饰器的开启方式
基于context的开启方式
静态图的语法约束
JitConfig配置选项
静态图高级编程技巧
背景介绍
AI 编译框架主要包含两种运行模式，即动态图模式与静态图模式。在默认状况下，MindSpore 是以动态图模式进行运行的，不过同时也支持通过人工操作切换为静态图模式。
动态图模式
动态图的显著特点在于计算图的构建和计算同步进行（Define by run），这与 Python 的解释执行方式相契合。当在计算图中定义一个 Tensor 时，其值会即刻被计算并确定，所以在调试模型时颇为便捷，能够实时获取中间结果的值。然而，由于所有节点都需保存，致使难以对整个计算图予以优化。
在 MindSpore 里，动态图模式又称作 PyNative 模式。鉴于动态图的解释执行特性，在脚本开发以及网络流程调试阶段，建议使用动态图模式进行调试。若需手动控制框架采用 PyNative 模式，可通过以下代码来构建网络。
使用 MindSpore 框架构建了一个简单的神经网络模型，并对输入数据进行了前向传播计算，最后打印输出结果。
代码如下：
import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
ms.set_context(mode=ms.PYNATIVE_MODE) # 使用set_context进行动态图模式的配置
class Network(nn.Cell): def __init__(self): super().__init__() self.flatten = nn.Flatten() self.dense_relu_sequential = nn.SequentialCell( nn.Dense(28*28, 512), nn.ReLU(), nn.Dense(512, 512), nn.ReLU(), nn.Dense(512, 10) ) def construct(self, x): x = self.flatten(x) logits = self.dense_relu_sequential(x) return logits
model = Network()
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
output = model(input)
print(output) 分析：首先，成功导入了所需的相关库，这里面有 numpy 以及 mindspore ，还有 mindspore 中的部分重要模块。
紧接着，定义了一个被命名为 Network 的类，此类别继承自 nn.Cell 。在该类的初始化方法 init 当中，精心定义了一系列的神经网络层，其中涵盖了展平层 Flatten ，以及一个由多层全连接和激活函数所构成的序列 nn.SequentialCell 。
在 construct 方法里，清晰地定义了前向传播的计算逻辑。具体来说，先是对输入数据实施展平操作，随后通过先前定义好的序列层来进行计算，从而获取到预测的 logits 。
随后，创建了 Network 类的实例 model ，并且成功生成了一个输入张量 input 。
最后，将这个输入张量传递进模型展开计算，进而得到输出 output ，并把这一结果予以打印输出
运行结果：
[[ 0.16246006 -0.11432456 0.04079182 0.16045687 0.01581723 0.00070624 0.05681457 -0.02252093 -0.05198406 -0.02421071] [ 0.16246006 -0.11432456 0.04079182 0.16045687 0.01581723 0.00070624 0.05681457 -0.02252093 -0.05198406 -0.02421071] [ 0.16246006 -0.11432456 0.04079182 0.16045687 0.01581723 0.00070624 0.05681457 -0.02252093 -0.05198406 -0.02421071] [ 0.16246006 -0.11432456 0.04079182 0.16045687 0.01581723 0.00070624 0.05681457 -0.02252093 -0.05198406 -0.02421071] [ 0.16246006 -0.11432456 0.04079182 0.16045687 0.01581723 0.00070624 0.05681457 -0.02252093 -0.05198406 -0.02421071]
... [ 0.16246006 -0.11432456 0.04079182 0.16045687 0.01581723 0.00070624 0.05681457 -0.02252093 -0.05198406 -0.02421071] [ 0.16246006 -0.11432456 0.04079182 0.16045687 0.01581723 0.00070624 0.05681457 -0.02252093 -0.05198406 -0.02421071] [ 0.16246006 -0.11432456 0.04079182 0.16045687 0.01581723 0.00070624 0.05681457 -0.02252093 -0.05198406 -0.02421071] [ 0.16246006 -0.11432456 0.04079182 0.16045687 0.01581723 0.00070624 0.05681457 -0.02252093 -0.05198406 -0.02421071] [ 0.16246006 -0.11432456 0.04079182 0.16045687 0.01581723 0.00070624 0.05681457 -0.02252093 -0.05198406 -0.02421071]] 静态图模式
相较于动态图来说，静态图具有一个显著的特点，那便是将计算图的构建与实际的计算过程相互分离（Define and run）。至于静态图模式的运行原理，大家可以参考静态图语法支持的相关内容。
在 MindSpore 当中，静态图模式还被称作 Graph 模式。处于 Graph 模式之下，借助于图优化、计算图整图下沉等一系列技术，编译器能够针对整个计算图展开全局性的优化操作，进而获取较为出色的性能表现。所以，这种模式相对而言更适合网络结构固定并且对性能要求较高的场景。
倘若需要手动把控框架采用静态图模式，能够通过如下代码来进行网络的构建：成功定义了一个神经网络模型 Network ，并针对输入数据实施了前向传播以计算输出。接下来，将介绍运用 mindspore 框架构建并运行一个简易神经网络模型的具体方法。
代码如下：
import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
ms.set_context(mode=ms.GRAPH_MODE) # 使用set_context进行运行静态图模式的配置
class Network(nn.Cell): def __init__(self): super().__init__() self.flatten = nn.Flatten() self.dense_relu_sequential = nn.SequentialCell( nn.Dense(28*28, 512), nn.ReLU(), nn.Dense(512, 512), nn.ReLU(), nn.Dense(512, 10) ) def construct(self, x): x = self.flatten(x) logits = self.dense_relu_sequential(x) return logits
model = Network()
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
output = model(input)
print(output) 分析：首先导入了必要的库，如 numpy 、mindspore 等，并配置为静态图模式。
然后定义了一个名为 Network 的类，它继承自 nn.Cell 。在 __init__ 方法中，初始化了一些网络层，包括展平层 nn.Flatten 和一个包含多个全连接层及激活函数的序列 nn.SequentialCell 。
在 construct 方法中定义了前向传播的计算逻辑，先对输入进行展平操作，然后通过定义的序列层进行计算得到 logits 。
接着创建了 Network 类的实例 model ，并生成一个输入张量 input 。
最后将输入通过模型进行计算得到输出 output 并打印。
运行结果：
[[ 0.08111228 -0.06155853 -0.16565546 0.05599653 -0.10597651 -0.13046513 0.05319815 0.13381606 0.15450898 -0.04248318] [ 0.08111228 -0.06155853 -0.16565546 0.05599653 -0.10597651 -0.13046513 0.05319815 0.13381606 0.15450898 -0.04248318] [ 0.08111228 -0.06155853 -0.16565546 0.05599653 -0.10597651 -0.13046513 0.05319815 0.13381606 0.15450898 -0.04248318] [ 0.08111228 -0.06155853 -0.16565546 0.05599653 -0.10597651 -0.13046513 0.05319815 0.13381606 0.15450898 -0.04248318] [ 0.08111228 -0.06155853 -0.16565546 0.05599653 -0.10597651 -0.13046513 0.05319815 0.13381606 0.15450898 -0.04248318]
... [ 0.08111228 -0.06155853 -0.16565546 0.05599653 -0.10597651 -0.13046513 0.05319815 0.13381606 0.15450898 -0.04248318] [ 0.08111228 -0.06155853 -0.16565546 0.05599653 -0.10597651 -0.13046513 0.05319815 0.13381606 0.15450898 -0.04248318] [ 0.08111228 -0.06155853 -0.16565546 0.05599653 -0.10597651 -0.13046513 0.05319815 0.13381606 0.15450898 -0.04248318] [ 0.08111228 -0.06155853 -0.16565546 0.05599653 -0.10597651 -0.13046513 0.05319815 0.13381606 0.15450898 -0.04248318] [ 0.08111228 -0.06155853 -0.16565546 0.05599653 -0.10597651 -0.13046513 0.05319815 0.13381606 0.15450898 -0.04248318]]
静态图模式的使用场景
MindSpore 编译器主要聚焦于 Tensor 数据的计算及其微分处理。故而，运用 MindSpore API 以及基于 Tensor 对象的操作，采用静态图编译优化会更为适宜。其他操作虽说能够部分纳入图编译，然而实际的优化效果却较为有限。再者，静态图模式所具有的先编译后执行的特性，致使其存在编译耗时的情况。所以，倘若函数无需多次执行，那么利用静态图来加速或许并无太大意义。
静态图模式开启方式
基于装饰器的开启方式
MindSpore 提供了 jit 装饰器，能够通过对 Python 函数或者 Python 类的成员函数进行修饰，使其被编译为计算图，借由图优化等技术来提升运行速度。此时，我们能够简便地针对期望进行性能优化的模块实施图编译加速，而模型的其他部分，依旧采用解释执行的方式，从而不会丧失动态图的灵活性。不管全局 context 是设定为静态图模式还是动态图模式，被 jit 修饰的部分始终会以静态图模式运行。
当需要对 Tensor 的某些运算进行编译加速时，可以在其定义的函数上运用 jit 装饰器，在调用该函数时，此模块会自动被编译成静态图。需要留意的是，jit 装饰器仅能用于修饰函数，无法对类进行修饰。jit 的使用示例如下：
即使用 MindSpore 框架构建了一个神经网络 Network ，然后使用 ms.jit 装饰器定义了一个名为 run 的函数，在这个函数中创建了 Network 模型实例，并将输入数据 input 传入模型进行计算，最后打印输出结果。
代码如下：
import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
class Network(nn.Cell): def __init__(self): super().__init__() self.flatten = nn.Flatten() self.dense_relu_sequential = nn.SequentialCell( nn.Dense(28*28, 512), nn.ReLU(), nn.Dense(512, 512), nn.ReLU(), nn.Dense(512, 10) ) def construct(self, x): x = self.flatten(x) logits = self.dense_relu_sequential(x) return logits input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
@ms.jit # 使用ms.jit装饰器，使被装饰的函数以静态图模式运行
def run(x): model = Network() return model(x)
output = run(input)
print(output) 分析：首先，定义了一个名为 Network 的类，继承自 nn.Cell ，在类中初始化了一些层，包括 Flatten 和一系列的 Dense 与 ReLU 层。
然后，定义了一个输入 input ，它是一个 Tensor 类型的数据。
接着，使用 ms.jit 装饰器修饰 run 函数，这意味着在运行 run 函数时，其中的操作会以静态图模式进行优化和执行。
在 run 函数内部，创建了 Network 模型的实例 model ，并将 input 传入模型计算得到结果并返回。
最后，将 run 函数的输出打印出来。
运行结果：
[[ 0.0252679 0.0036834 0.08489509 0.07125469 0.19286017 -0.01487035 -0.04551143 0.1177191 -0.00667884 0.02147292] [ 0.0252679 0.0036834 0.08489509 0.07125469 0.19286017 -0.01487035 -0.04551143 0.1177191 -0.00667884 0.02147292] [ 0.0252679 0.0036834 0.08489509 0.07125469 0.19286017 -0.01487035 -0.04551143 0.1177191 -0.00667884 0.02147292] [ 0.0252679 0.0036834 0.08489509 0.07125469 0.19286017 -0.01487035 -0.04551143 0.1177191 -0.00667884 0.02147292] [ 0.0252679 0.0036834 0.08489509 0.07125469 0.19286017 -0.01487035 -0.04551143 0.1177191 -0.00667884 0.02147292]
... [ 0.0252679 0.0036834 0.08489509 0.07125469 0.19286017 -0.01487035 -0.04551143 0.1177191 -0.00667884 0.02147292] [ 0.0252679 0.0036834 0.08489509 0.07125469 0.19286017 -0.01487035 -0.04551143 0.1177191 -0.00667884 0.02147292] [ 0.0252679 0.0036834 0.08489509 0.07125469 0.19286017 -0.01487035 -0.04551143 0.1177191 -0.00667884 0.02147292] [ 0.0252679 0.0036834 0.08489509 0.07125469 0.19286017 -0.01487035 -0.04551143 0.1177191 -0.00667884 0.02147292] [ 0.0252679 0.0036834 0.08489509 0.07125469 0.19286017 -0.01487035 -0.04551143 0.1177191 -0.00667884 0.02147292]] 除使用修饰器外，也可使用函数变换方式调用jit方法，示例如下：
代码如下：
import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
class Network(nn.Cell): def __init__(self): super().__init__() self.flatten = nn.Flatten() self.dense_relu_sequential = nn.SequentialCell( nn.Dense(28*28, 512), nn.ReLU(), nn.Dense(512, 512), nn.ReLU(), nn.Dense(512, 10) ) def construct(self, x): x = self.flatten(x) logits = self.dense_relu_sequential(x) return logits
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
def run(x): model = Network() return model(x)
run_with_jit = ms.jit(run) # 通过调用jit将函数转换为以静态图方式执行
output = run(input)
print(output) 分析：首先导入了所需的库和模块。然后定义了一个名为 Network 的类，它继承自 nn.Cell ，在类的初始化方法 __init__ 中定义了一些层，包括展平层 Flatten 和一个由全连接层 Dense 与激活函数 ReLU 组成的序列 dense_relu_sequential 。
接着创建了一个输入数据 input 。
之后定义了一个名为 run 的函数，在函数内部创建了 Network 类的实例 model ，并将输入 x 传入模型进行计算并返回结果。
然后通过 ms.jit(run) 将 run 函数转换为以静态图方式执行，并将其结果赋值给 run_with_jit 。
最后调用 run 函数并将输入 input 传入，得到输出并打印。
总的来说，这段代码构建了一个神经网络模型，并尝试以不同的方式（普通函数和静态图）来运行模型进行计算和输出结果。
运行结果：
[[-0.26886722 -0.01613193 -0.02503425 -0.06268327 0.1372346 0.08339559 -0.05737131 -0.03662169 0.09235285 -0.12165849] [-0.26886722 -0.01613193 -0.02503425 -0.06268327 0.1372346 0.08339559 -0.05737131 -0.03662169 0.09235285 -0.12165849] [-0.26886722 -0.01613193 -0.02503425 -0.06268327 0.1372346 0.08339559 -0.05737131 -0.03662169 0.09235285 -0.12165849] [-0.26886722 -0.01613193 -0.02503425 -0.06268327 0.1372346 0.08339559 -0.05737131 -0.03662169 0.09235285 -0.12165849] [-0.26886722 -0.01613193 -0.02503425 -0.06268327 0.1372346 0.08339559 -0.05737131 -0.03662169 0.09235285 -0.12165849]
... [-0.26886722 -0.01613193 -0.02503425 -0.06268327 0.1372346 0.08339559 -0.05737131 -0.03662169 0.09235285 -0.12165849] [-0.26886722 -0.01613193 -0.02503425 -0.06268327 0.1372346 0.08339559 -0.05737131 -0.03662169 0.09235285 -0.12165849] [-0.26886722 -0.01613193 -0.02503425 -0.06268327 0.1372346 0.08339559 -0.05737131 -0.03662169 0.09235285 -0.12165849] [-0.26886722 -0.01613193 -0.02503425 -0.06268327 0.1372346 0.08339559 -0.05737131 -0.03662169 0.09235285 -0.12165849] [-0.26886722 -0.01613193 -0.02503425 -0.06268327 0.1372346 0.08339559 -0.05737131 -0.03662169 0.09235285 -0.12165849]] 当我们需要对神经网络的某部分进行加速时，可以直接在construct方法上使用jit修饰器，在调用实例化对象时，该模块自动被编译为静态图。示例如下：
代码如下：
import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
class Network(nn.Cell): def __init__(self): super().__init__() self.flatten = nn.Flatten() self.dense_relu_sequential = nn.SequentialCell( nn.Dense(28*28, 512), nn.ReLU(), nn.Dense(512, 512), nn.ReLU(), nn.Dense(512, 10) ) @ms.jit # 使用ms.jit装饰器，使被装饰的函数以静态图模式运行 def construct(self, x): x = self.flatten(x) logits = self.dense_relu_sequential(x) return logits
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
model = Network()
output = model(input)
print(output)分析：首先，导入了 numpy 库并命名为 np ，导入了 mindspore 库并命名为 ms ，还从 mindspore 库中导入了 nn 和 Tensor 。
然后，定义了一个名为 Network 的类，它继承自 nn.Cell 。在类的初始化方法 __init__ 中进行了一些基础设置。
接着，使用 ms.jit 装饰器修饰了 Network 类的 construct 方法，这意味着该方法在运行时会以静态图模式进行优化。
之后，创建了一个输入数据 input ，它是一个 Tensor 类型。
再然后，创建了 Network 类的实例 model 。
最后，将 input 传入 model 进行计算，得到输出 output 并打印出来。
总的来说，这段代码构建了一个基于 MindSpore 的神经网络模型，并对给定的输入数据进行计算和输出结果。
运行结果：
[[-0.01447779 -0.02491043 -0.06172827 -0.12281439 0.05957274 -0.28446954 0.17217562 0.14563462 0.08131266 -0.02172118] [-0.01447779 -0.02491043 -0.06172827 -0.12281439 0.05957274 -0.28446954 0.17217562 0.14563462 0.08131266 -0.02172118] [-0.01447779 -0.02491043 -0.06172827 -0.12281439 0.05957274 -0.28446954 0.17217562 0.14563462 0.08131266 -0.02172118] [-0.01447779 -0.02491043 -0.06172827 -0.12281439 0.05957274 -0.28446954 0.17217562 0.14563462 0.08131266 -0.02172118] [-0.01447779 -0.02491043 -0.06172827 -0.12281439 0.05957274 -0.28446954 0.17217562 0.14563462 0.08131266 -0.02172118]
... [-0.01447779 -0.02491043 -0.06172827 -0.12281439 0.05957274 -0.28446954 0.17217562 0.14563462 0.08131266 -0.02172118] [-0.01447779 -0.02491043 -0.06172827 -0.12281439 0.05957274 -0.28446954 0.17217562 0.14563462 0.08131266 -0.02172118] [-0.01447779 -0.02491043 -0.06172827 -0.12281439 0.05957274 -0.28446954 0.17217562 0.14563462 0.08131266 -0.02172118] [-0.01447779 -0.02491043 -0.06172827 -0.12281439 0.05957274 -0.28446954 0.17217562 0.14563462 0.08131266 -0.02172118] [-0.01447779 -0.02491043 -0.06172827 -0.12281439 0.05957274 -0.28446954 0.17217562 0.14563462 0.08131266 -0.02172118]] 基于context的开启方式
context模式是一种全局的设置模式。
代码如下：
import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
ms.set_context(mode=ms.GRAPH_MODE) # 使用set_context进行运行静态图模式的配置
class Network(nn.Cell): def __init__(self): super().__init__() self.flatten = nn.Flatten() self.dense_relu_sequential = nn.SequentialCell( nn.Dense(28*28, 512), nn.ReLU(), nn.Dense(512, 512), nn.ReLU(), nn.Dense(512, 10) ) def construct(self, x): x = self.flatten(x) logits = self.dense_relu_sequential(x) return logits
model = Network()
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
output = model(input)
print(output) 分析：首先导入了 numpy 库并简称为 np ，导入了 mindspore 库并简称为 ms ，还从 mindspore 中导入了 nn 和 Tensor 。
然后使用 ms.set_context(mode=ms.GRAPH_MODE) 配置了 mindspore 的运行环境为静态图模式。
接着定义了一个名为 Network 的类，继承自 nn.Cell 。在类的初始化方法 __init__ 中进行了一些层的定义，包括展平层和一系列全连接层与激活函数层的组合。
之后创建了 Network 类的实例 model ，并创建了输入数据 input 。
最后将 input 传入 model 进行计算得到输出 output ，并将其打印出来。
总的来说，这段代码构建了一个神经网络模型，并在静态图模式下对输入数据进行处理和得到输出。
运行结果：
[[ 0.11365249 -0.186111 -0.28579414 0.13091658 0.02833005 -0.17373694 0.28168008 0.04766882 0.0583384 0.0371065 ] [ 0.11365249 -0.186111 -0.28579414 0.13091658 0.02833005 -0.17373694 0.28168008 0.04766882 0.0583384 0.0371065 ] [ 0.11365249 -0.186111 -0.28579414 0.13091658 0.02833005 -0.17373694 0.28168008 0.04766882 0.0583384 0.0371065 ] [ 0.11365249 -0.186111 -0.28579414 0.13091658 0.02833005 -0.17373694 0.28168008 0.04766882 0.0583384 0.0371065 ] [ 0.11365249 -0.186111 -0.28579414 0.13091658 0.02833005 -0.17373694 0.28168008 0.04766882 0.0583384 0.0371065 ]
... [ 0.11365249 -0.186111 -0.28579414 0.13091658 0.02833005 -0.17373694 0.28168008 0.04766882 0.0583384 0.0371065 ] [ 0.11365249 -0.186111 -0.28579414 0.13091658 0.02833005 -0.17373694 0.28168008 0.04766882 0.0583384 0.0371065 ] [ 0.11365249 -0.186111 -0.28579414 0.13091658 0.02833005 -0.17373694 0.28168008 0.04766882 0.0583384 0.0371065 ] [ 0.11365249 -0.186111 -0.28579414 0.13091658 0.02833005 -0.17373694 0.28168008 0.04766882 0.0583384 0.0371065 ] [ 0.11365249 -0.186111 -0.28579414 0.13091658 0.02833005 -0.17373694 0.28168008 0.04766882 0.0583384 0.0371065 ]] 静态图的语法约束
在 Graph 模式中，Python 代码并非交由 Python 解释器来执行，而是会先将其编译为静态计算图，后续再对静态计算图予以执行。正因如此，编译器难以对全部的 Python 语法提供支持。MindSpore 的静态图编译器精心维护了 Python 常用语法的子集部分，旨在为神经网络的构建以及训练提供有力支撑。
JitConfig配置选项
在图模式之下，能够通过运用 JitConfig 配置选项来在一定程度上对编译流程进行自定义。当下，JitConfig 所支持的配置参数具体如下：
jit_level：其作用是把控优化的等级。
exec_mode：用于掌控模型的执行方式。
jit_syntax_level：设定静态图语法的支持级别。
静态图高级编程技巧
使用静态图高级编程技巧可以有效地提高编译效率以及执行效率，并可以使程序运行的更加稳定。
运行截图：
