功能介绍

通过工具迁移完成后，默认精度模式为allow_fp32_to_fp16（优先保持原图精度，当算子不支持float32数据类型时，直接降低精度到float16），如果需要修改精度模式，需要参考本节内容。当前系统支持的精度模式包括：

allow_fp32_to_fp16：优先保持原图精度，当算子不支持float32数据类型时，直接降低精度到float16。当前不支持float32类型的算子都是卷积类和矩阵类算子，例如Conv2D、DepthwiseConv2D等。当前版本，对于Matmul/BatchMatmul类算子系统会直接采用float16方式处理，可能引起精度降低，用户可以通过customize_dtypes自定义算子计算精度。
force_fp16：当算子既支持float16又支持float32数据类型时，强制选择float16。
force_fp32：算子既支持float16又支持float32数据类型时，强制选择float32。
must_keep_origin_dtype：保持原图精度。此种方式下，如果整网中有Conv2D算子，由于该算子仅支持float16类型，在原图输入是float32类型的情况下，训练会报错中止。
allow_mix_precision：自动混合精度。可以针对全网中float32数据类型的算子，按照内置的优化策略，自动将部分float32的算子降低精度到float16，从而在精度损失很小的情况下提升系统性能并减少内存使用。但需要注意的是：当前昇腾AI处理器仅支持float32到float16的精度调整。如果用户原始脚本中已经实现了手动混合精度功能，比如显式调用cast算子转换计算精度，则无需开启昇腾AI处理器的自动混合精度功能。

在昇腾AI处理器进行混合精度训练时，推荐使能Loss Scale，从而补偿降低精度带来的精度损失。

Estimator模式修改

检查迁移后的脚本是否存在“init_resource”。

如果存在，则需要参考下面示例进行修改；修改完后，执行下一步。
如果不存在，则直接执行下一步。

if __name__ == '__main__':

  session_config = tf.ConfigProto()
  custom_op = session_config.graph_options.rewrite_options.custom_optimizers.add()
  custom_op.name = "NpuOptimizer"
  custom_op.parameter_map["precision_mode"].s = tf.compat.as_bytes("allow_mix_precision")

  (npu_sess, npu_shutdown) = init_resource(config=session_config)
  tf.app.run()
  shutdown_resource(npu_sess, npu_shutdown)
  close_session(npu_sess)

在迁移后的脚本中找到“npu_run_config_init”：

session_config = tf.ConfigProto(allow_soft_placement=True)

run_config = tf.estimator.RunConfig(
    train_distribute=distribution_strategy,
    session_config=session_config,
    save_checkpoints_secs=60*60*24)

classifier = tf.estimator.Estimator(
    model_fn=model_function, model_dir=flags_obj.model_dir, config=npu_run_config_init(run_config=run_config))

配置“precision_mode”：

session_config = tf.ConfigProto(allow_soft_placement=True)
custom_op = session_config.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name = 'NpuOptimizer'
custom_op.parameter_map["precision_mode"].s = tf.compat.as_bytes("allow_mix_precision")

run_config = tf.estimator.RunConfig(
    train_distribute=distribution_strategy,
    session_config=session_config,
    save_checkpoints_secs=60*60*24)

classifier = tf.estimator.Estimator(
    model_fn=model_function, model_dir=flags_obj.model_dir, config=npu_run_config_init(run_config=run_config))

如果脚本中的运行配置函数，例如RunConfig中没有传入session_config参数，需要自行传入session_config：

session_config = tf.ConfigProto()
custom_op = session_config.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name = 'NpuOptimizer'
custom_op.parameter_map["precision_mode"].s = tf.compat.as_bytes("allow_mix_precision")

run_config = tf.estimator.RunConfig(
    train_distribute=distribution_strategy,
    session_config=session_config,
    save_checkpoints_secs=60*60*24)

classifier = tf.estimator.Estimator(
    model_fn=model_function, model_dir=flags_obj.model_dir, config=npu_run_config_init(run_config=run_config))

sess.run模式修改

检查迁移后的脚本是否存在“init_resource”。

如果存在，则需要参考下面示例进行修改；修改完后，执行下一步。
如果不存在，则直接执行下一步。

if __name__ == '__main__':

  session_config = tf.ConfigProto()
  custom_op = session_config.graph_options.rewrite_options.custom_optimizers.add()
  custom_op.name = "NpuOptimizer"
  custom_op.parameter_map["precision_mode"].s = tf.compat.as_bytes("allow_mix_precision")

  (npu_sess, npu_shutdown) = init_resource(config=session_config)
  tf.app.run()
  shutdown_resource(npu_sess, npu_shutdown)
  close_session(npu_sess)

在脚本中找到“npu_config_proto”：

with tf.Session(config=npu_config_proto()) as sess:
    sess.run(tf.global_variables_initializer())
    interaction_table.init.run()

配置“precision_mode”：

config_proto = tf.ConfigProto()
custom_op = config_proto.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name = 'NpuOptimizer'
custom_op.parameter_map["precision_mode"].s = tf.compat.as_bytes("allow_mix_precision")
config = npu_config_proto(config_proto=config_proto)
with tf.Session(config=config) as sess:
    sess.run(tf.global_variables_initializer())
    interaction_table.init.run()

tf.keras模式修改

检查迁移后的脚本是否存在“init_resource”。

如果存在，则需要参考下面示例进行修改；修改完后，执行下一步。
如果不存在，则直接执行下一步。

if __name__ == '__main__':

  session_config = tf.ConfigProto()
  custom_op = session_config.graph_options.rewrite_options.custom_optimizers.add()
  custom_op.name = "NpuOptimizer"
  custom_op.parameter_map["precision_mode"].s = tf.compat.as_bytes("allow_mix_precision")

  (npu_sess, npu_shutdown) = init_resource(config=session_config)
  tf.app.run()
  shutdown_resource(npu_sess, npu_shutdown)
  close_session(npu_sess)

在脚本中找到“set_keras_session_npu_config”：

import tensorflow as tf
import tensorflow.python.keras as keras
from tensorflow.python.keras import backend as K
from npu_bridge.npu_init import *

npu_keras_sess = set_keras_session_npu_config()

#数据预处理...
#模型搭建...
#模型编译...
#模型训练...

配置“precision_mode”：

import tensorflow as tf
import tensorflow.python.keras as keras
from tensorflow.python.keras import backend as K
from npu_bridge.npu_init import *

config_proto = tf.ConfigProto()
custom_op = config_proto.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name = 'NpuOptimizer'
custom_op.parameter_map["precision_mode"].s = tf.compat.as_bytes("allow_mix_precision")
npu_keras_sess = set_keras_session_npu_config(config=config_proto)

#数据预处理...
#模型搭建...
#模型编译...
#模型训练...

修改混合精度黑白灰名单

allow_mix_precision混合精度模式下，针对全网中float32数据类型的算子，按照内置的优化策略，自动将部分float32的算子降低精度到float16，从而在精度损失很小的情况下提升系统性能并减少内存使用。

内置优化策略在“OPP安装目录/opp/built-in/op_impl/ai_core/tbe/config/ascend910/aic-ascend910-ops-info.json”，例如：

"Conv2D":{
    "precision_reduce":{
        "flag":"true"
},

true：（白名单）允许将当前float32类型的算子，降低精度到float16。
false：（黑名单）不允许将当前float32类型的算子，降低精度到float16。
不配置：（灰名单）当前算子的混合精度处理机制和前一个算子保持一致，即如果前一个算子支持降精度处理，当前算子也支持降精度；如果前一个算子不允许降精度，当前算子也不支持降精度。

用户可以在内置优化策略基础上进行调整，自行指定哪些算子允许降精度，哪些算子不允许降精度。下面介绍两种方法：

（推荐）方法一，通过modify_mixlist指定需要修改的混合精度黑白灰算子名单。
```
custom_op.parameter_map["modify_mixlist"].s = tf.compat.as_bytes("/home/test/ops_info.json")
```
ops_info.json中可以指定算子类型，多个算子使用英文逗号分隔，样例如下：
```
{
  "black-list": {                  // 黑名单
     "to-remove": [                // 黑名单算子转换为灰名单算子
     "Xlog1py"
     ],
     "to-add": [                   // 白名单或灰名单算子转换为黑名单算子
     "Matmul",
     "Cast"
     ]
  },
  "white-list": {                  // 白名单
     "to-remove": [                // 白名单算子转换为灰名单算子 
     "Conv2D"
     ],
     "to-add": [                   // 黑名单或灰名单算子转换为白名单算子
     "Bias"
     ]
  }
}
```
假设算子A默认在白名单中，如果您希望将该算子配置为黑名单算子，当前支持的配置方法和系统处理逻辑为：
1. （正确示例）用户将该算子添加到黑名单中：
```
{
  "black-list": { 
     "to-add": ["A"]
  }
}
```
  则系统会将该算子从白名单中删除，并添加到黑名单中，最终该算子在黑名单中。
2. （正确示例）用户将该算子从白名单中删除，同时添加到黑名单中：
```
{
  "black-list": {
     "to-add": ["A"]
  },
  "white-list": {
     "to-remove": ["A"]
  }
}
```
  则系统会将该该算子从白名单中删除，并添加到黑名单中，最终该算子在黑名单中。
3. （错误示例）用户将该算子从白名单中删除，此时算子最终是在灰名单中，而不是黑名单。
```
{
  "white-list": {
     "to-remove": ["A"]
  }
}
```
  此时，系统会将该算子从白名单中删除，然后添加到灰名单中，最终该算子在灰名单中。
  
  对于只从黑/白名单中删除，而不添加到白/黑名单的情况，系统会将该算子添加到灰名单中。
方法二，直接修改算子信息库。

对内置算子信息库进行修改，可能会对其他网络造成影响，请谨慎修改。
1. 切换到“OPP安装目录/opp/built-in/op_impl/ai_core/tbe/config/ascend910”目录下。
2. 对aic-ascend910-ops-info.json文件增加写权限。
```
chmod u+w aic-ascend910-ops-info.json
```
  当前目录下的所有json文件都会被加载到算子信息库中，如果您需要备份原来的json文件，建议备份到其他目录下。
3. 修改或增加算子信息库aic-ascend910-ops-info.json文件中对应算子的precision_reduce字段。