Tensor/Node/Graph

Ascend IR（Ascend Intermediate Representation，昇腾中间表示）是昇腾AI处理器专用的抽象数据结构，用于表达计算流程。基于GE图引擎能力，PyTorch、TensorFlow、MindSpore、PaddlePaddle等主流AI框架的算法模型可以统一转换为使用Ascend IR表示的计算图，同时也支持用户自定义构建计算图，后续的编译加速优化均基于该计算图完成。

图1 使用Ascend IR表示的计算图

Ascend IR主要包括张量（Tensor）、Node（Operator）、Graph三个维度的信息。

Tensor

包括Tensor描述及数据两部分，Tensor描述包括了该Tensor的name、dtype、shape、format信息。

表1 TensorDesc属性说明
属性	定义
名称（name）	用于对Tensor进行索引，不同Tensor的name需要保持唯一。
形状（shape）	Tensor的形状，比如(10, )或者(1024, 1024)或者(2, 3, 4)等。如形状(3, 4)表示第一维有3个元素，第二维有4个元素，(3, 4)表示一个3行4列的矩阵数组。形式：(i1, i2, …, in)，其中i1到in均为正整数。
数据类型（dtype）	Tensor对象的数据类型。取值范围：float16, float32, int8, int16, int32, uint8, uint16, bfloat16, bool等。
数据排布格式（format）	数据的物理排布格式，详细请参见数据排布格式。

Node

Node（Operator）包括算子的name、type、输入、输出、属性等信息。

表2 Operator属性说明
属性	定义
名称（name）	算子的名称，用于标识图中的某个算子，同一图中算子的名称需要保持唯一。如下图所示Conv1、Pool1、Conv2都是图中的算子名称，其中Conv1与Conv2算子的类型为Convolution，表示分别做一次卷积运算。
类型（type）	网络中每一个算子根据算子类型进行算子实现的匹配，相同类型的算子的实现逻辑相同。在一个图中同一类型的算子可能存在多个，例如上图中的Conv1算子与Conv2算子的类型都为Convolution。
输入（input）	算子的输入Tensor数据。
输出（output）	算子的输出Tensor数据。
属性（Attributes）	定义算子行为和功能，常见的算子属性包括轴（Axis）、权重（Weight）、偏差（Bias）。

Graph

Graph包括name、算子列表、输入算子、输出算子等信息。

表3 Graph属性说明
属性	定义
名称（name）	图的名称，用于标识网络中的某个Graph，同一网络中Graph的名称需要保持唯一。
算子列表	图中所有的节点列表。
输入算子（input）	图的输入算子。
输出算子（output）	图的输出算子。

父主题： 概念和原理介绍