前言

  非常感谢华为昇思大模型平台和CSDN邀请体验昇思大模型！从今天起，笔者将以打卡的方式，将原文搬运和个人思考结合，分享25天的学习内容与成果。为了提升文章质量和阅读体验，笔者会将思考部分放在最后，供大家探索讨论。同时也欢迎各位领取算力，免费体验昇思大模型！

使用静态图加速

背景介绍

AI编译框架分为两种运行模式，分别是动态图模式以及静态图模式。MindSpore默认情况下是以动态图模式运行，但也支持手工切换为静态图模式。两种运行模式的详细介绍如下：

动态图模式

动态图的特点是计算图的构建和计算同时发生（Define by run），其符合Python的解释执行方式，在计算图中定义一个Tensor时，其值就已经被计算且确定，因此在调试模型时较为方便，能够实时得到中间结果的值，但由于所有节点都需要被保存，导致难以对整个计算图进行优化。

在MindSpore中，动态图模式又被称为PyNative模式。由于动态图的解释执行特性，在脚本开发和网络流程调试过程中，推荐使用动态图模式进行调试。如需要手动控制框架采用PyNative模式，可以通过以下代码进行网络构建：

%%capture captured_output
# 实验环境已经预装了mindspore==2.3.0rc1，如需更换mindspore版本，可更改下面mindspore的版本号
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.3.0rc1

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()							#输入信息展平self.dense_relu_sequential = nn.SequentialCell(		#依序执行以下功能nn.Dense(28*28, 512),							#全连接层，输入通道数为28*28，输出通道数为512nn.ReLU(),										#激活函数ReLUnn.Dense(512, 512),								#全连接层，输入通道数为512，输出通道数为512nn.ReLU(),										#激活函数ReLUnn.Dense(512, 10)								#全连接层，输入通道数为512，输出通道数为10，对应0-9十种可能的结果)def construct(self, x):x = self.flatten(x)									#展平输入信息logits = self.dense_relu_sequential(x)				#输入信息进入网络，得到结果return logitsmodel = Network()											#实例化模型
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))	#输入信息的[B, C, H, W]为[64, 1, 28, 28]
output = model(input)
print(output)

静态图模式

相较于动态图而言，静态图的特点是将计算图的构建和实际计算分开（Define and run）。有关静态图模式的运行原理，可以参考静态图语法支持。

在MindSpore中，静态图模式又被称为Graph模式，在Graph模式下，基于图优化、计算图整图下沉等技术，编译器可以针对图进行全局的优化，获得较好的性能，因此比较适合网络固定且需要高性能的场景。

如需要手动控制框架采用静态图模式，可以通过以下代码进行网络构建：

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()							#输入信息展平self.dense_relu_sequential = nn.SequentialCell(		#依序执行以下功能nn.Dense(28*28, 512),							#全连接层，输入通道数为28*28，输出通道数为512nn.ReLU(),										#激活函数ReLUnn.Dense(512, 512),								#全连接层，输入通道数为512，输出通道数为512nn.ReLU(),										#激活函数ReLUnn.Dense(512, 10)								#全连接层，输入通道数为512，输出通道数为10，对应0-9十种可能的结果)def construct(self, x):x = self.flatten(x)									#展平输入信息logits = self.dense_relu_sequential(x)				#输入信息进入网络，得到结果return logitsmodel = Network()											#实例化模型
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))	#输入信息的[B, C, H, W]为[64, 1, 28, 28]
output = model(input)
print(output)

静态图模式的使用场景

MindSpore编译器重点面向Tensor数据的计算以及其微分处理。因此使用MindSpore API以及基于Tensor对象的操作更适合使用静态图编译优化。其他操作虽然可以部分入图编译，但实际优化作用有限。另外，静态图模式先编译后执行的模式导致其存在编译耗时。因此，如果函数无需反复执行，那么使用静态图加速也可能没有价值。

有关使用静态图来进行网络编译的示例，请参考网络构建。

静态图模式开启方式

通常情况下，由于动态图的灵活性，我们会选择使用PyNative模式来进行自由的神经网络构建，以实现模型的创新和优化。但是当需要进行性能加速时，我们需要对神经网络部分或整体进行加速。MindSpore提供了两种切换为图模式的方式，分别是基于装饰器的开启方式以及基于全局context的开启方式。

基于装饰器的开启方式

MindSpore提供了jit装饰器，可以通过修饰Python函数或者Python类的成员函数使其被编译成计算图，通过图优化等技术提高运行速度。此时我们可以简单的对想要进行性能优化的模块进行图编译加速，而模型其他部分，仍旧使用解释执行方式，不丢失动态图的灵活性。无论全局context是设置成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进行运行。

在需要对Tensor的某些运算进行编译加速时，可以在其定义的函数上使用jit修饰器，在调用该函数时，该模块自动被编译为静态图。需要注意的是，jit装饰器只能用来修饰函数，无法对类进行修饰。jit的使用示例如下：

import numpy as np
import mindspore as ms
from mindspore import nn, Tensorclass Network(nn.Cell):def __init__(self):super().__init__()self.flatten = nn.Flatten()							#输入信息展平self.dense_relu_sequential = nn.SequentialCell(		#依序执行以下功能nn.Dense(28*28, 512),							#全连接层，输入通道数为28*28，输出通道数为512nn.ReLU(),										#激活函数ReLUnn.Dense(512, 512),								#全连接层，输入通道数为512，输出通道数为512nn.ReLU(),										#激活函数ReLUnn.Dense(512, 10)								#全连接层，输入通道数为512，输出通道数为10，对应0-9十种可能的结果)def construct(self, x):x = self.flatten(x)									#展平输入信息logits = self.dense_relu_sequential(x)				#输入信息进入网络，得到结果return logitsinput = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))	#输入信息的[B, C, H, W]为[64, 1, 28, 28]@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()										#以静态图模式运行网络return model(x)output = run(input)
print(output)

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：

import numpy as np
import mindspore as ms
from mindspore import nn, Tensorclass Network(nn.Cell):def __init__(self):super().__init__()self.flatten = nn.Flatten()								#同上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 logitsinput = 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)

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：

import numpy as np
import mindspore as ms
from mindspore import nn, Tensorclass Network(nn.Cell):def __init__(self):super().__init__()									#同上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 logitsinput = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
model = Network()
output = model(input)
print(output)

基于context的开启方式

context模式是一种全局的设置模式。代码示例如下：

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):										#同上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 logitsmodel = Network()
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
output = model(input)
print(output)

静态图的语法约束

在Graph模式下，Python代码并不是由Python解释器去执行，而是将代码编译成静态计算图，然后执行静态计算图。因此，编译器无法支持全量的Python语法。MindSpore的静态图编译器维护了Python常用语法子集，以支持神经网络的构建及训练。详情可参考静态图语法支持。

JitConfig配置选项

在图模式下，可以通过使用JitConfig配置选项来一定程度的自定义编译流程，目前JitConfig支持的配置参数如下：

• jit_level: 用于控制优化等级。
• exec_mode: 用于控制模型执行方式。
• jit_syntax_level: 设置静态图语法支持级别，详细介绍请见静态图语法支持。

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。详情可参考静态图高级编程技巧。

个人任务打卡（读者请忽略）

个人理解与总结

本章节主要描述了昇思大模型使用静态图加速的主要功能。文章首先介绍了动态图和静态图两种工作模式，其中，由于动态图的参数在定义时就被确定，因此难以优化；静态图将计算图的构建和实际计算分开，这样编译器可以针对图进行全局优化，从而获得更好的性能。对于静态图的开启方式，有基于装饰器和基于context两种方法，并均提供了使用示例。最后，文章还提供了静态图的语法约束以及JitConfig配置选项，从而帮助程序员更好地使用昇思大模型，有效地提升编译效率和执行效率，保证程序的稳定运行。