forked from mindspore-Ecosystem/mindspore
Gitee
commit
082e07896f
|
|
@ -1,7 +1,7 @@
|
|||
mindspore.dataset.Dataset.padded_batch
|
||||
======================================
|
||||
|
||||
.. py:method:: mindspore.dataset.Dataset.padded_batch(batch_size, drop_remainder=False, num_parallel_workers=None, pad_info=None
|
||||
.. py:method:: mindspore.dataset.Dataset.padded_batch(batch_size, drop_remainder=False, num_parallel_workers=None, pad_info=None)
|
||||
|
||||
将数据集中连续 `batch_size` 条数据合并为一个批处理数据，其中batch成一个Tensor前可选择使用pad_info预先将样本补齐。
|
||||
|
||||
|
|
|
|||
|
|
@ -138,7 +138,7 @@ mindspore.rewrite
|
|||
返回：
|
||||
当前SymbolTree中节点的生成器。
|
||||
|
||||
.. py:method:: mindspore.rewrite.SymbolTree.print_node_tabulate()
|
||||
.. py:method:: mindspore.rewrite.SymbolTree.print_node_tabulate()
|
||||
|
||||
打印当前SymbolTree的节点信息表格。
|
||||
|
||||
|
|
|
|||
|
|
@ -9,12 +9,12 @@ mindspore.obfuscate_model
|
|||
- **obf_config** (dict) - 模型混淆配置选项字典。
|
||||
|
||||
- **type** (str) - 混淆类型，目前支持动态混淆，即'dynamic'。
|
||||
- **original_model_path** (str) - 待混淆的MindIR模型地址。如果该模型是加密文件的，则需要在`kwargs`中传入`enc_key`和`enc_mode`。
|
||||
- **original_model_path** (str) - 待混淆的MindIR模型地址。如果该模型是加密文件的，则需要在 `kwargs` 中传入 `enc_key` 和 `enc_mode`。
|
||||
- **save_model_path** (str) - 混淆模型的保存地址。
|
||||
- **model_inputs** (list[Tensor]) - 模型的推理输入，Tensor的值可以是随机的，和使用`export()`接口类似。
|
||||
- **model_inputs** (list[Tensor]) - 模型的推理输入，Tensor的值可以是随机的，和使用 `export()` 接口类似。
|
||||
- **obf_ratio** (Union[str, float]) - 全模型算子的混淆比例，可取浮点数(0, 1]或者字符串"small"、"medium"、"large"。
|
||||
- **customized_func** (function) - 在自定义函数模式下需要设置的Python函数，用来控制混淆结构中的选择分支走向。它的返回值需要是bool类型，且是恒定的，用户可以参考不透明谓词进行设置。如果设置了`customized_func`，那么在使用`load`接口导入模型的时候，需要把这个函数也传入。
|
||||
- **obf_password** (int) - 秘密口令，用于password模式，是一个大于0的整数。如果用户设置了`obf_password`，那么在部署混淆模型的时候，需要在`nn.GraphCell()`接口中传入`obf_password`。需要注意的是，如果用户同时设置了`customized_func`和`obf_password`，那么password模式将会被采用。
|
||||
- **customized_func** (function) - 在自定义函数模式下需要设置的Python函数，用来控制混淆结构中的选择分支走向。它的返回值需要是bool类型，且是恒定的，用户可以参考不透明谓词进行设置。如果设置了 `customized_func` ，那么在使用 `load` 接口导入模型的时候，需要把这个函数也传入。
|
||||
- **obf_password** (int) - 秘密口令，用于password模式，是一个大于0的整数。如果用户设置了 `obf_password` ，那么在部署混淆模型的时候，需要在 `nn.GraphCell()` 接口中传入 `obf_password` 。需要注意的是，如果用户同时设置了 `customized_func` 和 `obf_password` ，那么password模式将会被采用。
|
||||
|
||||
- **kwargs** (dict) - 配置选项字典。
|
||||
|
||||
|
|
|
|||
|
|
@ -16,7 +16,7 @@ mindspore.nn.FractionalMaxPool3d
|
|||
- **output_size** (Union[int, tuple[int]]) - 目标输出大小。如果是整数，则表示输出目标的深、高和宽。如果是tuple，其值必须包含三个整数值分别表示目标输出的深、高和宽。默认值是 `None` 。
|
||||
- **output_ratio** (Union[float, tuple[float]]) - 目标输出shape与输入shape的比率。通过输入shape和 `output_ratio` 确定输出shape。支持数据类型：float16、float32、double，数值介于0到1之间。默认值是 `None` 。
|
||||
- **return_indices** (bool) - 如果为 `True` ，返回分数最大池化的最大值的的索引值。默认值是 `False` 。
|
||||
- **random_samples** (Tensor) - 随机步长。支持的数据类型：float16、float32、double。shape为 :math:`(N, C, 3)` 的Tensor。数值介于0到1之间。默认值是 `None` 。
|
||||
- **_random_samples** (Tensor) - 随机步长。支持的数据类型：float16、float32、double。shape为 :math:`(N, C, 3)` 的Tensor。数值介于0到1之间。默认值是 `None` 。
|
||||
|
||||
输入：
|
||||
- **input_x** (Tensor) - 4维或5维的张量，支持的数据类型：float16、float32、double、int32、int64。支持shape为 :math:`(N, C, D_{in}, H_{in}, W_{in})` 。
|
||||
|
|
|
|||
|
|
@ -13,15 +13,15 @@ mindspore.ops.broadcast_to
|
|||
|
||||
- 情况一：如果目标shape该维的值为-1， 则输出shape该维的值为对应输入shape该维的值。比如说输入shape为 :math:`(3, 3)` ，目标shape为 :math:`(-1, 3)` ，则输出shape为 :math:`(3, 3)` ；
|
||||
|
||||
- 情况二：如果目标shape该维的值不为-1，但是输入shape该维的值为1，则输出shape该维的值为目标shape该维的值。比如说输入shape为 :math:` (1, 3)` ，目标shape为 :math:`(8, 3)` ，则输出shape为 :math:`(8, 3)` ；
|
||||
- 情况二：如果目标shape该维的值不为-1，但是输入shape该维的值为1，则输出shape该维的值为目标shape该维的值。比如说输入shape为 :math:`(1, 3)` ，目标shape为 :math:`(8, 3)` ，则输出shape为 :math:`(8, 3)` ；
|
||||
|
||||
- 情况三：如果两个shape对应值不满足以上情况则说明不支持由输入shape广播到目标shape。
|
||||
|
||||
至此输出shape后面m维就确定好了，现在看一下前面 :math:`*` 维，有以下两种情况：
|
||||
|
||||
- 如果额外的 :math:`*` 维中不含有-1，则输入shape从低维度补充维度使之与目标shape维度一致，比如说目标shape为 :math:` (3, 1, 4, 1, 5, 9)` ，输入shape为 :math:`(1, 5, 9)` ，则输入shape增维变成 :math:`(1, 1, 1, 1, 5, 9)`，根据上面提到的情况二可以得出输出shape为 :math:` (3, 1, 4, 1, 5, 9)`；
|
||||
- 如果额外的 :math:`*` 维中不含有-1，则输入shape从低维度补充维度使之与目标shape维度一致，比如说目标shape为 :math:`(3, 1, 4, 1, 5, 9)` ，输入shape为 :math:`(1, 5, 9)` ，则输入shape增维变成 :math:`(1, 1, 1, 1, 5, 9)`，根据上面提到的情况二可以得出输出shape为 :math:`(3, 1, 4, 1, 5, 9)`；
|
||||
|
||||
- 如果额外的 :math:`*` 维中含有-1，说明此时该-1对应一个不存在的维度，不支持广播。比如说目标shape为 :math:` (3, -1, 4, 1, 5, 9)` ，输入shape为 :math:`(1, 5, 9)` ，此时不进行增维处理，而是直接报错。
|
||||
- 如果额外的 :math:`*` 维中含有-1，说明此时该-1对应一个不存在的维度，不支持广播。比如说目标shape为 :math:`(3, -1, 4, 1, 5, 9)` ，输入shape为 :math:`(1, 5, 9)` ，此时不进行增维处理，而是直接报错。
|
||||
|
||||
参数：
|
||||
- **x** (Tensor) - 第一个输入，任意维度的Tensor，数据类型为float16、float32、int32、int8、uint8、bool。
|
||||
|
|
|
|||
|
|
@ -25,16 +25,16 @@ mindspore.train.BackupAndRestore
|
|||
参数：
|
||||
- **run_context** (RunContext) - 包含模型的一些基本信息。详情请参考 :class:`mindspore.train.RunContext`。
|
||||
|
||||
.. py:method:: on_train_end(run_context)
|
||||
|
||||
在训练结束时，判断是否删除备份的checkpoint文件。
|
||||
|
||||
参数：
|
||||
- **run_context** (RunContext) - 包含模型的一些基本信息。详情请参考 :class:`mindspore.train.RunContext`。
|
||||
|
||||
.. py:method:: on_train_epoch_end(run_context)
|
||||
|
||||
在每个epoch结束时，判断是否需要备份checkpoint文件。
|
||||
|
||||
参数：
|
||||
- **run_context** (RunContext) - 包含模型的一些基本信息。详情请参考 :class:`mindspore.train.RunContext`。
|
||||
|
||||
.. py:method:: on_train_end(run_context)
|
||||
|
||||
在训练结束时，判断是否删除备份的checkpoint文件。
|
||||
|
||||
参数：
|
||||
- **run_context** (RunContext) - 包含模型的一些基本信息。详情请参考 :class:`mindspore.train.RunContext`。
|
||||
|
|
@ -1253,7 +1253,7 @@ class FractionalMaxPool3d(Cell):
|
|||
Supported shape :math:`(N, C, 3)`
|
||||
|
||||
Inputs:
|
||||
- **imput_x** (Tensor) - The input of FractionalMaxPool3d, which is a 4D or 5D tensor.
|
||||
- **input_x** (Tensor) - The input of FractionalMaxPool3d, which is a 4D or 5D tensor.
|
||||
Tensor of data type : float16, float32, double, int32, int64.
|
||||
Supported shape :math:`(N, C, D_{in}, H_{in}, W_{in})` .
|
||||
|
||||
|
|
|
|||
Loading…
Reference in New Issue