p80627345
/
mindspore
forked from mindspore-Ecosystem/mindspore
1
0
Fork 0
Code Issues Pull Requests Projects Releases Wiki Activity

update api format

This commit is contained in:
yingchen 2021-12-04 18:37:47 +08:00
parent c88da99f77
commit 999ce681a4
32 changed files with 107 additions and 106 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

6
docs/api/api_python/mindspore.common.initializer.rst
View File

@ -110,9 +110,9 @@ mindspore.common.initializer
.. math::
boundary = gain * \sqrt{\frac{6}{n_{in} + n_{out}}}
- `gain` 是一个可选的缩放因子。
- `n_{in}` 为权重Tensor中输入单元的数量。
- `n_{out}` 为权重Tensor中输出单元的数量。
- :math:`gain` 是一个可选的缩放因子。
- :math:`n_{in}` 为权重Tensor中输入单元的数量。
- :math:`n_{out}` 为权重Tensor中输出单元的数量。
有关 XavierUniform 算法的详细信息，请查看 http://proceedings.mlr.press/v9/glorot10a.html。

6
docs/api/api_python/mindspore.communication.rst
View File

@ -57,9 +57,9 @@ mindspore.communication
**异常：**
**TypeError** – 在参数 `group` 不是字符串时抛出。
**ValueError** – 在后台不可用时抛出。
**RuntimeError** – 在‘HCCL’或‘NCCL’服务不可用时抛出。
- **TypeError** – 在参数 `group` 不是字符串时抛出。
- **ValueError** – 在后台不可用时抛出。
- **RuntimeError** – 在‘HCCL’或‘NCCL’服务不可用时抛出。
.. py:class:: mindspore.communication.get_group_size(group=GlobalComm.WORLD_COMM_GROUP)

13
docs/api/api_python/mindspore/mindspore.LossScaleManager.rst
View File

@ -5,23 +5,22 @@ mindspore.LossScaleManager
混合精度梯度放大系数（loss scale）管理器的抽象类。
派生类需要实现该类的所有方法。 `get_loss_scale` 用于获取当前的梯度放大系数。 `update_loss_scale` 用于更新梯度放大系数，该方法将在训练过程中被调用。 `get_update_cell` 用于获取更新梯度放大系数的 `Cell` 实例，该实例将在训练过程中被调用。当前多使用`get_update_cell` 方式。
派生类需要实现该类的所有方法。 `get_loss_scale` 用于获取当前的梯度放大系数。 `update_loss_scale` 用于更新梯度放大系数，该方法将在训练过程中被调用。 `get_update_cell` 用于获取更新梯度放大系数的 `Cell` 实例，该实例将在训练过程中被调用。当前多使用 `get_update_cell` 方式。
例如：:class:`mindspore.FixedLossScaleManager` 和 :class:`mindspore.DynamicLossScaleManager` 。
.. py:method:: get_loss_scale()
获取梯度放大系数（loss scale）的值。
获取梯度放大系数（loss scale）的值。
.. py:method:: get_update_cell()
获取用于更新梯度放大系数的Cell实例。
获取用于更新梯度放大系数的Cell实例。
.. py:method:: update_loss_scale(overflow)
根据 `overflow` 状态更新梯度放大系数（loss scale)。
根据 `overflow` 状态更新梯度放大系数（loss scale)。
**参数：**
**参数：**
**overflow** (bool) - 表示训练过程是否溢出。
**overflow** (bool) - 表示训练过程是否溢出。

2
docs/api/api_python/mindspore/mindspore.dtype.rst
View File

@ -53,7 +53,7 @@ mindspore.dtype
``type_type`` 类型的类型定义。
``type_none`` 没有匹配的返回类型，对应 Python 中的 ``type(None)``。
``symbolic_key`` 在 ``env_type`` 中用作变量的键的变量的值。
``env_type`` 用于存储函数的自由变量的梯度，其中键是自由变量节点的``symbolic_key``，值是梯度。
``env_type`` 用于存储函数的自由变量的梯度，其中键是自由变量节点的 `symbolic_key` ，值是梯度。
============================ =================
- **树形拓扑**

2
docs/api/api_python/mindspore/mindspore.model.rst
View File

@ -12,7 +12,7 @@
- **optimizer** (Cell) - 用于更新网络权重的优化器。如果 `optimizer` 为None， `network` 中需要进行反向传播和网络权重更新。默认值：None。
- **metrics** (Union[dict, set]) - 用于模型评估的一组评价函数。例如：{'accuracy', 'recall'}。默认值：None。
- **eval_network** (Cell) - 用于评估的神经网络。未定义情况下，`Model` 会使用 `network` 和 `loss_fn` 封装一个 `eval_network` 。默认值：None。
- **eval_indexes** (list) - 在定义 `eval_network` 的情况下使用。如果 `eval_indexes` 为默认值None，`Model` 会将 `eval_network` 的所有输出传给 `metrics` 。如果配置 `eval_indexes` ，必须包含三个元素，分别为损失值、预测值和标签在`eval_network`输出中的位置，此时，损失值将传给损失评价函数，预测值和标签将传给其他评价函数。推荐使用评价函数的 `mindspore.nn.Metric.set_indexes` 代替 `eval_indexes` 。默认值：None。
- **eval_indexes** (list) - 在定义 `eval_network` 的情况下使用。如果 `eval_indexes` 为默认值None，`Model` 会将 `eval_network` 的所有输出传给 `metrics` 。如果配置 `eval_indexes` ，必须包含三个元素，分别为损失值、预测值和标签在 `eval_network` 输出中的位置，此时，损失值将传给损失评价函数，预测值和标签将传给其他评价函数。推荐使用评价函数的 `mindspore.nn.Metric.set_indexes` 代替 `eval_indexes` 。默认值：None。
- **amp_level** (str) - `mindspore.build_train_network` 的可选参数 `level`，`level` 为混合精度等级，该参数支持["O0", "O2", "O3", "auto"]。默认值："O0"。
- O0: 无变化。

4
docs/api/api_python/nn/mindspore.nn.Adagrad.rst
View File

@ -6,7 +6,8 @@ mindspore.nn.Adagrad
使用ApplyAdagrad算子实现Adagrad算法。
Adagrad用于在线学习和随机优化。
请参阅论文`Efficient Learning using Forward-Backward Splitting <https://proceedings.neurips.cc/paper/2009/file/621bf66ddb7c962aa0d22ac97d69b793-Paper.pdf>`_。
请参阅论文 `Efficient Learning using Forward-Backward Splitting <https://proceedings.neurips.cc/paper/2009/file/621bf66ddb7c962aa0d22ac97d69b793-Paper.pdf>`_。
公式如下：
.. math::
@ -33,6 +34,7 @@ mindspore.nn.Adagrad
- **accum** (float) - 累加器 :math:`h` 的初始值，必须大于等于零。默认值：0.1。
- **learning_rate** (Union[float, Tensor, Iterable, LearningRateSchedule]) - 默认值：0.001。
.. include:: mindspore.nn.optim_arg_dynamic_lr.rst
- **update_slots** (bool) - 如果为True，则更新累加器 :math:`h` 。默认值：True。

4
docs/api/api_python/nn/mindspore.nn.Adam.rst
View File

@ -5,7 +5,7 @@ mindspore.nn.Adam
通过Adaptive Moment Estimation (Adam)算法更新梯度。
请参阅论文`Adam: A Method for Stochastic Optimization <https://arxiv.org/abs/1412.6980>`_。
请参阅论文 `Adam: A Method for Stochastic Optimization <https://arxiv.org/abs/1412.6980>`_。
公式如下：
@ -17,7 +17,7 @@ mindspore.nn.Adam
w_{t+1} = w_{t} - l * \frac{m_{t+1}}{\sqrt{v_{t+1}} + \epsilon}
\end{array}
:math:`m` 代表第一个动量矩阵 `moment1` ，:math:`v` 代表第二个动量矩阵 `moment2` ，:math:`g` 代表 `gradients` ，:math:`l` 代表缩放因子，:math:`\beta_1,\beta_2` 代表 `beta1` 和 `beta2` ，:math:`t` 代表当前step，:math:`beta_1^t` 和:math:`beta_2^t` 代表 `beta1_power` 和 `beta2_power` ，:math:`\alpha` 代表 `learning_rate` ，:math:`w` 代表 `params` ，:math:`\epsilon` 代表 `eps` 。
:math:`m` 代表第一个动量矩阵 `moment1` ，:math:`v` 代表第二个动量矩阵 `moment2` ，:math:`g` 代表 `gradients` ，:math:`l` 代表缩放因子，:math:`\beta_1,\beta_2` 代表 `beta1` 和 `beta2` ，:math:`t` 代表当前step，:math:`beta_1^t` 和 :math:`beta_2^t` 代表 `beta1_power` 和 `beta2_power` ，:math:`\alpha` 代表 `learning_rate` ，:math:`w` 代表 `params` ，:math:`\epsilon` 代表 `eps` 。
.. note::
.. include:: mindspore.nn.optim_note_sparse.rst

2
docs/api/api_python/nn/mindspore.nn.F1.rst
View File

@ -1,4 +1,4 @@
Class mindspore.nn.F1
mindspore.nn.F1
=====================
.. py:class:: mindspore.nn.F1

7
docs/api/api_python/nn/mindspore.nn.FTRL.rst
View File

@ -1,6 +1,5 @@
mindspore.nn. mindspore.nn.FTRL
================================
mindspore.nn.FTRL
=================
.. py:class:: mindspore.nn.FTRL(*args, **kwargs)
使用ApplyFtrl算子实现FTRL算法。
@ -24,7 +23,7 @@ mindspore.nn. mindspore.nn.FTRL
\end{cases}\\
\end{array}
:math:`m` 表示累加器，:math:`g` 表示 `grads`， :math:`t` 表示当前step，:math:`u` 表示需要更新的线性系数，:math:`p` 表示` lr_power`，:math:`\alpha` 表示 `learning_rate` ，:math:`\omega` 表示 `params` 。
:math:`m` 表示累加器，:math:`g` 表示 `grads`， :math:`t` 表示当前step，:math:`u` 表示需要更新的线性系数，:math:`p` 表示 `lr_power`，:math:`\alpha` 表示 `learning_rate` ，:math:`\omega` 表示 `params` 。
.. note::
.. include:: mindspore.nn.optim_note_sparse.rst

2
docs/api/api_python/nn/mindspore.nn.InverseDecayLR.rst
View File

@ -33,7 +33,7 @@ mindspore.nn.InverseDecayLR
**输出：**
Tensor。当前step的学习率值，shape为:math:`()`。
Tensor。当前step的学习率值，shape为 :math:`()`。
**异常：**

2
docs/api/api_python/nn/mindspore.nn.Lamb.rst
View File

@ -22,7 +22,7 @@ mindspore.nn.Lamb
w_t = w_{t-1} -\eta_t \frac{\| w_{t-1} \|}{\| r_t + \lambda w_{t-1} \|} (r_t + \lambda w_{t-1})
\end{gather*}
其中，math:`m` 代表第一个矩向量，:math:`v` 代表第二个矩向量，:math:`\eta` 表示学习率，:math:`\lambda` 表示LAMB权重衰减率。
其中， :math:`m` 代表第一个矩向量，:math:`v` 代表第二个矩向量，:math:`\eta` 表示学习率，:math:`\lambda` 表示LAMB权重衰减率。
.. note::
.. include:: mindspore.nn.optim_note_weight_decay.rst

4
docs/api/api_python/nn/mindspore.nn.LazyAdam.rst
View File

@ -42,7 +42,7 @@ mindspore.nn.LazyAdam
.. include:: mindspore.nn.optim_arg_dynamic_lr.rst
- **beta1** (float)：`moment1` 的指数衰减率。参数范围（0.0,1.0）。默认值：0.9。
- **beta2** (float)：moment2` 的指数衰减率。参数范围（0.0,1.0）。默认值：0.999。
- **beta2** (float)：`moment2` 的指数衰减率。参数范围（0.0,1.0）。默认值：0.999。
- **eps** (float)：将添加到分母中，以提高数值稳定性。必须大于0。默认值：1e-8。
- **use_locking** (bool)：是否对参数更新加锁保护。如果为True，则 `w` 、`m` 和 `v` 的Tensor更新将受到锁的保护。如果为False，则结果不可预测。默认值：False。
- **use_nesterov** (bool)：是否使用Nesterov Accelerated Gradient (NAG)算法更新梯度。如果为True，使用NAG更新梯度。如果为False，则在不使用NAG的情况下更新梯度。默认值：False。
@ -65,7 +65,7 @@ mindspore.nn.LazyAdam
- **TypeError**：`beta1`、`beta2`、`eps` 或 `loss_scale` 不是float。
- **TypeError**：`weight_decay` 不是float或int。
- **TypeError**：`use_locking` 或 `use_nesterov` 不是bool。
- **ValueError**：`loss_scale `或 `eps` 小于或等于0。
- **ValueError**：`loss_scale` 或 `eps` 小于或等于0。
- **ValueError**：`beta1`、`beta2` 不在（0.0,1.0）范围内。
- **ValueError**：`weight_decay` 小于0。

17
docs/api/api_python/nn/mindspore.nn.Loss.rst
View File

@ -31,16 +31,19 @@ mindspore.nn.Loss
Float，loss的平均值。
**异常：**
RuntimeError：样本总数为0。
**异常：**
RuntimeError：样本总数为0。
.. py:method:: update(*inputs)
更新内部评估结果。
**参数：**
inputs：输入只包含一个元素，且该元素为loss。loss的维度必须为0或1。
**参数：**
**异常：**
ValueError：`inputs` 的长度不为1。
ValueError：`inputs` 的维度不为0或1。
inputs：输入只包含一个元素，且该元素为loss。loss的维度必须为0或1。
**异常：**
**ValueError**：`inputs` 的长度不为1。
**ValueError**：`inputs` 的维度不为0或1。

2
docs/api/api_python/nn/mindspore.nn.Momentum.rst
View File

@ -20,7 +20,7 @@ mindspore.nn.Momentum
.. math::
p_{t+1} = p_{t} - lr \ast v_{t+1}
其中，:math:`grad` 、:math:`lr` 、:math:`p` 、:math:`v` 和:math:`u` 分别表示梯度、学习率、参数、矩（Moment）和动量（Momentum）。
其中，:math:`grad` 、:math:`lr` 、:math:`p` 、:math:`v` 和 :math:`u` 分别表示梯度、学习率、参数、矩（Moment）和动量（Momentum）。
.. note::
.. include:: mindspore.nn.optim_note_weight_decay.rst

2
docs/api/api_python/nn/mindspore.nn.PolynomialDecayLR.rst
View File

@ -39,7 +39,7 @@ mindspore.nn.polynomial_decay_lr
**异常：**
- **TypeError**：`learning_rate`,`end_learning_rate` 或 `power` 不是float。
- **TypeError**：`learning_rate`, `end_learning_rate` 或 `power` 不是float。
- **TypeError**：`decay_steps` 不是int或 `update_decay_steps` 不是bool。
- **ValueError**：`end_learning_rate` 小于0或 `decay_steps` 小于1。
- **ValueError**：`learning_rate` 或 `power` 小于或等于0。

19
docs/api/api_python/nn/mindspore.nn.Precision.rst
View File

@ -10,14 +10,14 @@ mindspore.nn.Precision
.. math::
\text{precision} = \frac{\text{true_positive}}{\text{true_positive} + \text{false_positive}}
注：
.. note::
在多标签情况下， :math:`y` 和 :math:`y_{pred}` 的元素必须为0或1。
**参数：**
**参数：**
- **eval_type** （str）- 支持'classification'和'multilabel'。默认值：'classification'。
**eval_type** （str）- 支持'classification'和'multilabel'。默认值：'classification'。
**样例：**
**样例：**
>>> import numpy as np
>>> from mindspore import nn, Tensor
@ -41,7 +41,7 @@ mindspore.nn.Precision
**参数：**
- **average** (bool) - 指定是否计算平均精度。默认值：False。
**average** (bool) - 指定是否计算平均精度。默认值：False。
**返回：**
@ -53,13 +53,12 @@ mindspore.nn.Precision
**参数：**
- **inputs** 输入 `y_pred` 和 `y`。`y_pred` 和 `y` 支持Tensor、list或numpy.ndarray类型。
**inputs** 输入 `y_pred` 和 `y`。`y_pred` 和 `y` 支持Tensor、list或numpy.ndarray类型。
对于'classification'情况，`y_pred` 在大多数情况下由范围 :math:`[0, 1]` 中的浮点数组成，shape为 :math:`(N, C)` ，其中 :math:`N` 是样本数， :math:`C` 是类别数。
`y` 由整数值组成，如果是one_hot编码格式，shape是 :math:`(N,C)` ；如果是类别索引，shape是 :math:`(N,)` 。
对于'classification'情况，`y_pred` 在大多数情况下由范围 :math:`[0, 1]` 中的浮点数组成，shape为 :math:`(N, C)` ，其中 :math:`N` 是样本数， :math:`C` 是类别数。`y` 由整数值组成，如果是one_hot编码格式，shape是 :math:`(N,C)` ；如果是类别索引，shape是 :math:`(N,)` 。
对于'multilabel'情况，`y_pred` 和 `y` 只能是值为0或1的one-hot编码格式，其中值为1的索引表示正类别。`y_pred` 和 `y` 的shape都是 :math:`(N,C)` 。
对于'multilabel'情况，`y_pred` 和 `y` 只能是值为0或1的one-hot编码格式，其中值为1的索引表示正类别。`y_pred` 和 `y` 的shape都是 :math:`(N,C)` 。
**异常：**
- **ValueError** - inputs数量不是2。
**ValueError** - inputs数量不是2。

2
docs/api/api_python/nn/mindspore.nn.ProximalAdagrad.rst
View File

@ -34,7 +34,7 @@ mindspore.nn.ProximalAdagrad
.. include:: mindspore.nn.optim_group_gc.rst
.. include:: mindspore.nn.optim_group_order.rst
- **accum** (float)：累加器`accum`的初始值，起始值必须为零或正值。默认值：0.1。
- **accum** (float)：累加器 `accum` 的初始值，起始值必须为零或正值。默认值：0.1。
- **learning_rate** (Union[float, Tensor, Iterable, LearningRateSchedule]): 默认值：1e-3。

19
docs/api/api_python/nn/mindspore.nn.Recall.rst
View File

@ -10,14 +10,14 @@ mindspore.nn.Recall
.. math::
\text{recall} = \frac{\text{true_positive}}{\text{true_positive} + \text{false_negative}}
注：
.. note::
在多标签情况下， :math:`y` 和 :math:`y_{pred}` 的元素必须为0或1。
**参数：**
**参数：**
- **eval_type** （str）- 支持'classification'和'multilabel'。默认值：'classification'。
**eval_type** （str）- 支持'classification'和'multilabel'。默认值：'classification'。
**样例：**
**样例：**
>>> import numpy as np
>>> from mindspore import nn, Tensor
@ -41,7 +41,7 @@ mindspore.nn.Recall
**参数：**
- **average** (bool) - 指定是否计算平均召回率。默认值：False。
**average** (bool) - 指定是否计算平均召回率。默认值：False。
**返回：**
@ -53,13 +53,12 @@ mindspore.nn.Recall
**参数：**
- **inputs** - 输入 `y_pred` 和 `y`。`y_pred` 和 `y` 支持Tensor、list或numpy.ndarray类型。
**inputs** - 输入 `y_pred` 和 `y`。`y_pred` 和 `y` 支持Tensor、list或numpy.ndarray类型。
对于'classification'情况，`y_pred` 在大多数情况下由范围 :math:`[0, 1]` 中的浮点数组成，shape为 :math:`(N, C)` ，其中 :math:`N` 是样本数， :math:`C` 是类别数。
`y` 由整数值组成，如果是one_hot编码格式，shape是 :math:`(N,C)` ；如果是类别索引，shape是 :math:`(N,)` 。
对于'classification'情况，`y_pred` 在大多数情况下由范围 :math:`[0, 1]` 中的浮点数组成，shape为 :math:`(N, C)` ，其中 :math:`N` 是样本数， :math:`C` 是类别数。`y` 由整数值组成，如果是one_hot编码格式，shape是 :math:`(N,C)` ；如果是类别索引，shape是 :math:`(N,)` 。
对于'multilabel'情况，`y_pred` 和 `y` 只能是值为0或1的one-hot编码格式，其中值为1的索引表示正类别。`y_pred` 和 `y` 的shape都是 :math:`(N,C)` 。
对于'multilabel'情况，`y_pred` 和 `y` 只能是值为0或1的one-hot编码格式，其中值为1的索引表示正类别。`y_pred` 和 `y` 的shape都是 :math:`(N,C)` 。
**异常：**
- **ValueError** - inputs数量不是2。
**ValueError** - inputs数量不是2。

11
docs/api/api_python/nn/mindspore.nn.SGD.rst
View File

@ -31,11 +31,12 @@ mindspore.nn.SGD
**参数：**
- **params** (Union[list[Parameter], list[dict]]): 当 `params` 为会更新的 `Parameter` 列表时，`params` 中的元素必须为类 `Parameter`。当 `params` 为 `dict` 列表时，"params"、"lr"、"weight_decay"、"grad_centralization"和"order_params"为可以解析的键。
.. include:: mindspore.nn.optim_group_param.rst
.. include:: mindspore.nn.optim_group_lr.rst
.. include:: mindspore.nn.optim_group_weight_decay.rst
.. include:: mindspore.nn.optim_group_gc.rst
.. include:: mindspore.nn.optim_group_order.rst
.. include:: mindspore.nn.optim_group_param.rst
.. include:: mindspore.nn.optim_group_lr.rst
.. include:: mindspore.nn.optim_group_weight_decay.rst
.. include:: mindspore.nn.optim_group_gc.rst
.. include:: mindspore.nn.optim_group_order.rst
- **learning_rate** (Union[float, Tensor, Iterable, LearningRateSchedule]): 默认值：0.1。

3
docs/api/api_python/nn/mindspore.nn.Top1CategoricalAccuracy.rst
View File

@ -3,8 +3,7 @@ mindspore.nn.Top1CategoricalAccuracy
.. py:class:: mindspore.nn.Top1CategoricalAccuracy
计算top-1分类正确率。此类是TopKCategoricalAccuracy的特殊类。
有关更多详细信息，请参阅:class:`TopKCategoricalAccuracy`。
计算top-1分类正确率。此类是TopKCategoricalAccuracy的特殊类。有关更多详细信息，请参阅 :class:`TopKCategoricalAccuracy`。
**样例：**

3
docs/api/api_python/nn/mindspore.nn.Top5CategoricalAccuracy.rst
View File

@ -3,8 +3,7 @@ mindspore.nn.Top5CategoricalAccuracy
.. py:class:: mindspore.nn.Top5CategoricalAccuracy
计算top-5分类正确率。此类是TopKCategoricalAccuracy的特殊类。
有关更多详细信息，请参阅:class:`TopKCategoricalAccuracy`。
计算top-5分类正确率。此类是TopKCategoricalAccuracy的特殊类。有关更多详细信息，请参阅 :class:`TopKCategoricalAccuracy`。
**样例：**

2
docs/api/api_python/nn/mindspore.nn.TrainOneStepWithLossScaleCell.rst
View File

@ -106,7 +106,7 @@ mindspore.nn.TrainOneStepWithLossScaleCell
.. py:method:: set_sense_scale(sens)
如果使用了Tensor类型的`scale_sense`，可调用此函数修改它的值。
如果使用了Tensor类型的 `scale_sense` ，可调用此函数修改它的值。
**输入：**

4
docs/api/api_python/nn/mindspore.nn.WarmUpLR.rst
View File

@ -30,8 +30,8 @@ mindspore.nn.WarmUpLR
**异常：**
- **- **TypeError**：** `learning_rate` 不是float。
- **- **TypeError**：** `warmup_steps` 不是int。
- **TypeError**：** `learning_rate` 不是float。
- **TypeError**：** `warmup_steps` 不是int。
- **ValueError：** `warmup_steps` 小于1。
- **ValueError：** `learning_rate` 小于或等于0。

10
docs/api/api_python/nn/mindspore.nn.cell.rst
View File

@ -5,7 +5,7 @@
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。
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。
@ -49,7 +49,7 @@
**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()
.. 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。
@ -57,10 +57,10 @@
bool, `_auto_parallel_compile_and_run` 的值。
.. py:method:: bprop_debug
.. py:method:: bprop_debug
:property:
获取自定义反向传播调试功能是否已启用。
获取自定义反向传播调试功能是否已启用。
.. py:method:: cast_inputs(inputs, dst_type)
@ -276,7 +276,7 @@
.. 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。
`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)

2
docs/api/api_python/nn/mindspore.nn.cosine_decay_lr.rst
View File

@ -23,7 +23,7 @@ mindspore.nn.cosine_decay_lr
**返回：**
list[float]。列表大小为`total_step`。
list[float]。列表大小为 `total_step`。
**样例：**

2
docs/api/api_python/nn/mindspore.nn.exponential_decay_lr.rst
View File

@ -23,7 +23,7 @@ mindspore.nn.exponential_decay_lr
**返回：**
list[float]。列表的大小为`total_step`。
list[float]。列表的大小为 `total_step`。
**样例：**

2
docs/api/api_python/nn/mindspore.nn.optim_arg_loss_scale.rst
View File

@ -1 +1 @@
- **loss_scale** (float) - 梯度缩放系数，必须大于0。如果 `loss_scale` 是整数，它将被转换为浮点数。通常使用默认值，仅当训练时使用了 `FixedLossScaleManager`，且 `FixedLossScaleManager `的 `drop_overflow_update` 属性配置为False时，此值需要与 `FixedLossScaleManager` 中的 `loss_scale` 相同。有关更多详细信息，请参阅class：`mindspore.FixedLossScaleManager`。默认值：1.0。
- **loss_scale** (float) - 梯度缩放系数，必须大于0。如果 `loss_scale` 是整数，它将被转换为浮点数。通常使用默认值，仅当训练时使用了 `FixedLossScaleManager`，且 `FixedLossScaleManager` 的 `drop_overflow_update` 属性配置为False时，此值需要与 `FixedLossScaleManager` 中的 `loss_scale` 相同。有关更多详细信息，请参阅 :class：`mindspore.FixedLossScaleManager`。默认值：1.0。

2
docs/api/api_python/nn/mindspore.nn.optim_note_loss_scale.rst
View File

@ -1 +1 @@
优化器和混合精度之间通常没有联系。但是，当使用`FixedLossScaleManager`且`FixedLossScaleManager`中的`drop_overflow_update`设置为False时，优化器需要设置'loss_scale'。由于此优化器没有`loss_scale`的参数，因此需要通过其他方式处理`loss_scale`，如何正确处理`loss_scale`详见`LossScale <https://www.mindspore.cn/docs/programming_guide/zh-CN/master/lossscale.html>`。
优化器和混合精度之间通常没有联系。但是，当使用 `FixedLossScaleManager` 且 `FixedLossScaleManager` 中的 `drop_overflow_update` 设置为False时，优化器需要设置'loss_scale'。由于此优化器没有 `loss_scale` 的参数，因此需要通过其他方式处理 `loss_scale` ，如何正确处理 `loss_scale` 详见 `LossScale <https://www.mindspore.cn/docs/programming_guide/zh-CN/master/lossscale.html>`_。

45
docs/api/api_python/nn/mindspore.nn.rearrange_inputs.rst
View File

@ -8,31 +8,32 @@ mindspore.nn.rearrange_inputs
此装饰器目前用于 :class:`mindspore.nn.Metric` 类的 `update` 方法。
**样例：**
>>> class RearrangeInputsExample:
... def __init__(self):
... self._indexes = None
...
... @property
... def indexes(self):
... return getattr(self, '_indexes', None)
...
... def set_indexes(self, indexes):
... self._indexes = indexes
... return self
...
... @rearrange_inputs
... def update(self, *inputs):
... return inputs
>>>
>>> rearrange_inputs_example = RearrangeInputsExample().set_indexes([1, 0])
>>> outs = rearrange_inputs_example.update(5, 9)
>>> print(outs)
(9, 5)
>>> class RearrangeInputsExample:
... def __init__(self):
... self._indexes = None
...
... @property
... def indexes(self):
... return getattr(self, '_indexes', None)
...
... def set_indexes(self, indexes):
... self._indexes = indexes
... return self
...
... @rearrange_inputs
... def update(self, *inputs):
... return inputs
>>>
>>> rearrange_inputs_example = RearrangeInputsExample().set_indexes([1, 0])
>>> outs = rearrange_inputs_example.update(5, 9)
>>> print(outs)
(9, 5)
**参数：**
- **func** (Callable) - 要装饰的候选函数，其输入将被重新排列。
**func** (Callable) - 要装饰的候选函数，其输入将被重新排列。
**返回：**
**返回：**
Callable，用于在函数之间调换输入。

2
docs/api/api_python/ops/mindspore.ops.OnesLike.rst
View File

@ -17,7 +17,7 @@ mindspore.ops.OnesLike
**异常：**
- **TypeError** - - `input_x` 不是Tensor。
- **TypeError** - `input_x` 不是Tensor。
**支持平台：**

4
docs/api/api_python/ops/mindspore.ops.ReLUV2.rst
View File

@ -26,8 +26,8 @@ mindspore.ops.ReLUV2
**异常：**
- **TypeError** - - `input_x` 不是Tensor。
- **ValueError** - -`input_x` 的shape不是4-D。
- **TypeError** - `input_x` 不是Tensor。
- **ValueError** - `input_x` 的shape不是4-D。
**支持平台：**

6
docs/api/api_python/ops/mindspore.ops.UniformReal.rst
View File

@ -20,9 +20,9 @@ mindspore.ops.UniformReal
**异常：**
- **TypeError** - - `seed` 和 `seed2` 都不是int。
- **TypeError：** `shape` 不是tuple。
- **ValueError** - `shape` 不是常量值。
- **TypeError:** - `seed` 和 `seed2` 都不是int。
- **TypeError：** - `shape` 不是tuple。
- **ValueError:** - `shape` 不是常量值。
**支持平台：**