至此问题已经解决了，但可以稍稍深入，样例代码调用了MindSpore的ops接口，ops接口中的算子被称为Primitive算子，Primitive算子是开放给用户的最低阶算子接口，这些算子都继承于 primitive类，这也就是为什么异常的代码堆栈会有 primitive.py，Primitive算子使用前需要实例化，这个错误就是在做实例化时，传入的属性类型不对导致的异常，感兴趣的同学可以进一步看下MindSpore的框架代码。咱先来一个入门级的例子，与MindSpore的报错来个初见。

从两种模式的原理可见，Graph模式可以着眼全局，能在执行前进行深度优化这样而带来更好的执行性能，而为着眼全局的代价就是必须遵从一些规则要求（例如：静态图语法），且有较长的编译过程，这些代价也就带来的网络的编写与调试困难。静态图模式，先进行将网络编译成图，然后按照图结构完成执行。这样就可以通过堆栈的报错信息来判断是哪种执行模式，以上篇分享的报错信息为例，我们可以看到调用了函数self.compile_and_run(*args)，此函数为图模式下执行的函数，由此可判断这个报错是图模式下执行的报错。

请检查construct函数中是否使用了控制流语句，大概率是因为控制流语句不符合静态图语法限制（https://www.mindspore.cn/tutorials/zh-CN/r1.8/advanced/network/control_flow.html，此页面搜索“约束”）查询mindspore 进入abstract_specialize 阶段后（info 日志打印 Status record: start abstract_specialize action. 即进入此阶段）卡主不动。

还提供了部分与Primitive算子同名的接口，主要作用是对Primitive算子进行进一步封装，为用户提供更友好的API，当nn算子功能满足用户的要求时可以直接使用nn算子，而当nn算子功能无法满足用户特定要求时可以使用低阶的Primitive算子实现特定的功能。这就是前面提到的蘸料与基础调料的关系了，这里的ReduceMean是组成nn算子Moments的元素，Moments传入的参数axis没有在正确范围内，导致了ReduceMean执行出错。心细的同学应该发现了本次的报错信息有如下明显的不同。

当发现量子模拟器运算速度很慢的时候，可以适当调整并行内核数。请根据模型规模合理设置并行内核数以达到最优效果。上述就是MindQuantum中实现CNOT门的语法，大家需要注意哦！因此，在MindQuantum中，量子比特的读取顺序都是从右往左的，大家需要注意哦！

从运行的结果可以看到，对量子线路进行了1000次的采样，结果展示：“00”的采样次数为501次，“11”的采样次数为499次。若想查询更多关于MindQuantum的API，请点击：https://mindspore.cn/mindquantum/。我们可以在MindQuantum中搭建各种各样的量子线路，其次，我们还可以将搭建好的量子线路打印出来。上述就是MindQuantum中量子线路图及测量的svg格式的介绍。从运行的结果可以看到，我们成功搭建了2个量子比特的量子线路。得到的运行结果如下图所示。

MindSpore Serving是一个轻量级、高性能的服务模块，旨在帮助MindSpore开发者在生产环境中高效部署在线推理服务。当用户使用MindSpore完成模型训练后，导出MindSpore模型，即可使用MindSpore Serving创建该模型的推理服务。MindSpore Serving详情可参考。

下面还有一些调用堆栈这里就省略了，MindSpore Serving提供Python Client封装gRPC消息通信，这位同学刻意地从客户端构造并发了一个超大的消息，然后gRPC底层校验发现消息大小大于4G（UINT32_MAX）MindSpore Serving默认设置了服务器接受消息大小为100MB，即下面的max_msg_mb_size参数控制。max_msg_mb_size接受[1,512]范围的整数数值，即可控制最大接收到的消息大小为1~512MB。

在调试网络的时候，我们经常会遇到报错，下面基于MindSpore r1.5分支代码介绍下MindSpore在Ascend设备上对内存的管理。Ascend在对内存分为静态内存和动态内存，它们分别指：MindSpore对Ascend设备内存分成4层进行管理： Runtime直接对板载的32GB内存进行管理如果用户在网络脚本中使用了Context配置MindSpore后端使用的内存大小， MindSpore则按照用户设置大小去向下一层Runtime申请，如果用户没有设置，则默认申请30GB内存，预留2GB内存给系

1、当循环条件为变量时，while语句不会展开子图，而for语句会展开子图。2、当展开子图时，会受到硬件资源的限制，同时也会增加编译时间，但执行性能最优。不展开子图时，虽然能提升编译性能，但子图间进行流程跳转和数据传递会引起一定的执行性能损耗。具体使用哪一种，需权衡。

结果发现：其实现是在input的基础上inplace操作然后拷贝到输出地址，这样修改了原先的干净的输入地址，倘若存在内存复用其生命周期还未结束，那么其他地方拿到的值就会被污染，因此修改实现为拷贝输入到输出然后在做inplace 操作，修改后代码，这样不论输入的生命周期是否结束，均不会影响到原来的值。如果在场景中加入42行的copy()操作此时cpu的结果就会正确，但是gpu的结果则不受copy做操作的影响。1.为什么静态图下会出错？

除支持在不同硬件平台加速计算外，mindspore.scipy的接口定义与原生的SciPy保持高度一致，而当前业界已知的TensorFlow和PyTorch等框架中对于科学计算的接口支持与原生SciPy的接口对比存在差异。关于cholesky分解，mindspore.scipy.linalg中有mindspore.scipy.linalg.cho_factor、mindspore.scipy.linalg.cholesky两个对外接口，对应的api描述可在。MindSpore的安装命令由下图所示。

既然这样，那就需要将内存池的大小改小，以便多些内存给其它场景使用。context.set_context(mempool_block_size=“30GB”, max_device_memory=“31GB”)，通过max_device_memory接口，提供给内存池的设备内存可用大小为31GB，去掉persistent block的1GB，取min(mempool_block_size, max_device_memory - 1GB)值，那么实际生效的common block大小就是30GB。

MindSpore前端语法是Python语法的子集， 撰写模型时需要遵循Python语法。学习一些python语言的书籍，对于MindSpore运行机制理解和问题定位很有帮助。

在上一篇，我们为大家讲述迭代0中具体的MLOps 环境搭建过程，本篇为大家介绍。易点通机器人处理的目标数据范围包括MindSpore官网的FAQ文档、官网其它文档、论坛等问答数据，在机器人开发的第一个迭代中，我们把数据的范围限制的官网的QA数据。我们通过自动化脚本将官网的QA文档转换为期望的数据格式，然后通过Bert模型对所有的问题进行分词编码，作为后续相似度模型判别的数据。

python_multiprocessing决定是否启用多进程模式加快数据处理速度，而max_rowsize用于配置多进程模式下共享内存的大小，属于高级用法。这两个API中，与多进程启动相关的参数是python_multiprocessing和max_rowsize。系统可用的共享内存太小，可以通过 df -h 查看共享内存的大小，如下示例有500G的共享内存，妥妥的够用啦。如果发现自身系统的 /dev/shm 不足5G，那确实会导致这个错误，有2个解决办法。重新启动训练就可以啦。

MindRecord是MindSpore开发的一种高效数据格式，此模块提供了一些方法帮助用户将不同数据集转换为MindRecord格式， 也提供了一些操作MindRecord数据文件的方法如读取、写入、检索等。RuntimeError: Unexpected error. Failed to open file, file path E:\大三上\深度学习\models-master\official\cv\ssd\MindRecord_COCO\test.mindrecord。

猜测在自定义的数据处理中，存在numpy.ndarray -> mindspore.Tensor -> numpy.ndarray的混用过程，并且错误地使用numpy.array(Tensor)做转换，导致GIL锁得不到释放，GeneratorDataset不能正常工作。对于这个问题，可以在代码的218行，把np.array(image)和np.array([record.label]) 换成 image.asnumpy()和record.label.asnumpy()

在ModelArt + GPU + MindSpore 1.2.0 环境下，使用GeneratorDataset接口加载自定义语音数据集，这里给出一个例子，标注了几个重要的地方进行numpy 的转换，请确认相关位置的数据类型是否为numpy或tuple[numpy]MindSpore可以自定义Python数据源，通过迭代该数据源构造数据集。有点类似PyTorch的DataLoader。

MindRecord是MindSpore开发的一种高效数据格式，此模块提供了一些方法帮助用户将不同数据集转换为MindRecord格式， 也提供了一些操作MindRecord数据文件的方法如读取、写入、检索等。用户可以使用FileWriter API生成MindRecord格式数据集，并使用MindDataset API加载MindRecord格式数据集。，在Windows环境下生成MindRecord格式数据集文件，并且已经移动位置后，是不能被加载到MindSpore中使用的。