!46552 set 'data_sink_mode' to False in Model.train/fit/eval

Merge pull request !46552 from 吕昱峰（Nate.River）/master

docs/api/api_python/train/mindspore.train.Model.rst

@@ -52,7 +52,7 @@
             - **sink_size** (int) - 控制每次数据下沉的数据量。默认值：-1。
             - **epoch** (int) - 控制训练轮次。默认值：1。
 
-    .. py:method:: eval(valid_dataset, callbacks=None, dataset_sink_mode=True)
+    .. py:method:: eval(valid_dataset, callbacks=None, dataset_sink_mode=False)
 
         模型评估接口。
 
@@ -65,7 +65,7 @@
         参数：
             - **valid_dataset** (Dataset) - 评估模型的数据集。
             - **callbacks** (Optional[list(Callback), Callback]) - 评估过程中需要执行的回调对象或回调对象列表。默认值：None。
-            - **dataset_sink_mode** (bool) - 数据是否直接下沉至处理器进行处理。默认值：True。
+            - **dataset_sink_mode** (bool) - 数据是否直接下沉至处理器进行处理。默认值：False。
 
         返回：
             Dict，key是用户定义的评价指标名称，value是以推理模式运行的评估结果。
@@ -78,7 +78,7 @@
         返回：
             评估网络实例。
 
-    .. py:method:: fit(epoch, train_dataset, valid_dataset=None, valid_frequency=1, callbacks=None, dataset_sink_mode=True, valid_dataset_sink_mode=True, sink_size=-1, initial_epoch=0)
+    .. py:method:: fit(epoch, train_dataset, valid_dataset=None, valid_frequency=1, callbacks=None, dataset_sink_mode=False, valid_dataset_sink_mode=False, sink_size=-1, initial_epoch=0)
 
         模型边训练边推理接口。
 
@@ -92,8 +92,8 @@
             - **valid_dataset** (Dataset) - 评估模型的数据集迭代器。默认值：None。
             - **valid_frequency** (int, list) - 此参数只有在valid_dataset不为None时生效。如果为int类型，表示执行推理的频率，例如 `valid_frequency=2`，则每2个训练epoch执行一次推理；如果为list类型，指明在哪几个epoch时执行推理，例如 `valid_frequency=[1, 5]`，则在第1个和第5个epoch执行推理。默认值：1。
             - **callbacks** (Optional[list[Callback], Callback]) - 训练过程中需要执行的回调对象或者回调对象列表。默认值：None。
-            - **dataset_sink_mode** (bool) - 训练数据是否直接下沉至处理器进行处理。使用PYNATIVE_MODE模式或CPU处理器时，模型训练流程将以非下沉模式执行。默认值：True。
+            - **dataset_sink_mode** (bool) - 训练数据是否直接下沉至处理器进行处理。使用PYNATIVE_MODE模式或CPU处理器时，模型训练流程将以非下沉模式执行。默认值：False。
-            - **valid_dataset_sink_mode** (bool) - 推理数据是否直接下沉至处理器进行处理。默认值：True。
+            - **valid_dataset_sink_mode** (bool) - 推理数据是否直接下沉至处理器进行处理。默认值：False。
             - **sink_size** (int) - 控制每次数据下沉的数据量。`dataset_sink_mode` 为False时 `sink_size` 无效。如果sink_size=-1，则每一次epoch下沉完整数据集。如果sink_size>0，则每一次epoch下沉数据量为sink_size的数据集。默认值：-1。
             - **initial_epoch** (int) - 从哪个epoch开始训练，一般用于中断恢复训练场景。
 
@@ -146,7 +146,7 @@
         返回：
             预测网络实例。
 
-    .. py:method:: train(epoch, train_dataset, callbacks=None, dataset_sink_mode=True, sink_size=-1, initial_epoch=0)
+    .. py:method:: train(epoch, train_dataset, callbacks=None, dataset_sink_mode=False, sink_size=-1, initial_epoch=0)
 
         模型训练接口。
 
@@ -163,7 +163,7 @@
             - **epoch** (int) - 训练执行轮次。通常每个epoch都会使用全量数据集进行训练。当 `dataset_sink_mode` 设置为True且 `sink_size` 大于零时，则每个epoch训练次数为 `sink_size` 而不是数据集的总步数。如果 `epoch` 与 `initial_epoch` 一起使用，它表示训练的最后一个 `epoch` 是多少。
             - **train_dataset** (Dataset) - 一个训练数据集迭代器。如果定义了 `loss_fn` ，则数据和标签会被分别传给 `network` 和 `loss_fn` ，此时数据集需要返回一个元组（data, label）。如果数据集中有多个数据或者标签，可以设置 `loss_fn` 为None，并在 `network` 中实现损失函数计算，此时数据集返回的所有数据组成的元组（data1, data2, data3, ...）会传给 `network` 。
             - **callbacks** (Optional[list[Callback], Callback]) - 训练过程中需要执行的回调对象或者回调对象列表。默认值：None。
-            - **dataset_sink_mode** (bool) - 数据是否直接下沉至处理器进行处理。使用PYNATIVE_MODE模式或CPU处理器时，模型训练流程将以非下沉模式执行。默认值：True。
+            - **dataset_sink_mode** (bool) - 数据是否直接下沉至处理器进行处理。使用PYNATIVE_MODE模式或CPU处理器时，模型训练流程将以非下沉模式执行。默认值：False。
             - **sink_size** (int) - 控制每次数据下沉的数据量。`dataset_sink_mode` 为False时 `sink_size` 无效。如果sink_size=-1，则每一次epoch下沉完整数据集。如果sink_size>0，则每一次epoch下沉数据量为sink_size的数据集。默认值：-1。
             - **initial_epoch** (int) - 从哪个epoch开始训练，一般用于中断恢复训练场景。
 

mindspore/python/mindspore/train/model.py

@@ -904,7 +904,7 @@ class Model:
                 outputs = self._train_network(*next_element)
                 cb_params.net_outputs = outputs
                 if self._loss_scale_manager and self._loss_scale_manager.get_drop_overflow_update():
-                    _, overflow, _ = outputs
+                    overflow = outputs[1]
                     overflow = np.all(overflow.asnumpy())
                     self._loss_scale_manager.update_loss_scale(overflow)
 
@@ -943,7 +943,7 @@ class Model:
 
         list_callback.on_train_end(run_context)
 
-    def train(self, epoch, train_dataset, callbacks=None, dataset_sink_mode=True, sink_size=-1, initial_epoch=0):
+    def train(self, epoch, train_dataset, callbacks=None, dataset_sink_mode=False, sink_size=-1, initial_epoch=0):
         """
         Training API.
 
@@ -981,7 +981,7 @@ class Model:
                                                             Default: None.
             dataset_sink_mode (bool): Determines whether to pass the data through dataset channel.
                                       Configure pynative mode or CPU, the training process will be performed with
-                                      dataset not sink. Default: True.
+                                      dataset not sink. Default: False.
             sink_size (int): Control the amount of data in each sink. `sink_size` is invalid if `dataset_sink_mode`
                              is False.
                              If sink_size = -1, sink the complete dataset for each epoch.
@@ -1085,7 +1085,7 @@ class Model:
                                          "using customized callbacks." % (cb_name, invalid_methods_names))
 
     def fit(self, epoch, train_dataset, valid_dataset=None, valid_frequency=1, callbacks=None,
-            dataset_sink_mode=True, valid_dataset_sink_mode=True, sink_size=-1, initial_epoch=0):
+            dataset_sink_mode=False, valid_dataset_sink_mode=False, sink_size=-1, initial_epoch=0):
         """
         Fit API.
 
@@ -1117,9 +1117,9 @@ class Model:
                                                             Default: None.
             dataset_sink_mode (bool): Determines whether to pass the train data through dataset channel.
                                       Configure pynative mode or CPU, the training process will be performed with
-                                      dataset not sink. Default: True.
+                                      dataset not sink. Default: False.
             valid_dataset_sink_mode (bool): Determines whether to pass the validation data through dataset channel.
-                                      Default: True.
+                                      Default: False.
             sink_size (int): Control the amount of data in each sink. `sink_size` is invalid if `dataset_sink_mode`
                              is False.
                              If sink_size = -1, sink the complete dataset for each epoch.
@@ -1362,7 +1362,7 @@ class Model:
         list_callback.on_eval_end(run_context)
         return metrics
 
-    def eval(self, valid_dataset, callbacks=None, dataset_sink_mode=True):
+    def eval(self, valid_dataset, callbacks=None, dataset_sink_mode=False):
         """
         Evaluation API.
 
@@ -1382,7 +1382,7 @@ class Model:
                                                             which should be executed while evaluation.
                                                             Default: None.
             dataset_sink_mode (bool): Determines whether to pass the data through dataset channel.
-                Default: True.
+                Default: False.
 
         Returns:
             Dict, the key is the metric name defined by users and the value is the metrics value for

tests/st/dataset/test_gpu_autotune.py

@@ -105,7 +105,7 @@ def test_autotune_train_simple_model(tmp_path):
     print("Start training.")
     epoch_size = 10
     start_time = time.time()
-    model.train(epoch_size, ds_train)
+    model.train(epoch_size, ds_train, dataset_sink_mode=True)
     print("Training finished. Took {}s".format(time.time() - start_time))
 
     ds.config.set_enable_autotune(False)
@@ -195,7 +195,7 @@ def test_autotune_pymultiproc_train_simple_model():
     print("Start Model Training.")
     model_start = time.time()
     epoch_size = 2
-    model.train(epoch_size, ds_train)
+    model.train(epoch_size, ds_train, dataset_sink_mode=True)
     print("Model training is finished. Took {}s".format(time.time() - model_start))
 
     # Restore settings