---
title: 概述
description: "混合精度为业内通用的性能提升方式，通过降低部分计算精度提升数据计算的并行度。混合精度训练方法是通过混合使用float16和float32数据类型来加速深度神经网络训练的过程，并减少内存使用和存取，从而可以训练更大的神经网络，同时又能基本保持使用float32训练所能达到的网络精度。"
url: https://www.hiascend.com/document/detail/zh/TensorFlowCommercial/latest/migration/tfmigr1/tfmigr1_000042.html
sourcePath: /source/zh/TensorFlowCommercial/900/migration/tfmigr1/tfmigr1_000042.html
indexId: caada458f1ab3d6a025e92dbff54e4d3c7ce35cb1786ac84b992daa46fd6ae3173
---
# 概述

混合精度为业内通用的性能提升方式，通过降低部分计算精度提升数据计算的并行度。混合精度训练方法是通过混合使用float16和float32数据类型来加速深度神经网络训练的过程，并减少内存使用和存取，从而可以训练更大的神经网络，同时又能基本保持使用float32训练所能达到的网络精度。

用户可以在脚本中通过配置“precision_mode_v2”（推荐）或者“precision_mode”参数开启混合精度。关于“precision_mode_v2”与“precision_mode”参数的详细说明及使用约束可参见精度调优。

开启混合精度的场景下，推荐使用Loss Scale，从而补偿降低精度带来的精度损失；若后续进行Profiling数据进行分析时，发现需要手工调整某些算子的精度模式，可以参考修改混合精度黑白灰名单自行指定哪些算子允许降精度，哪些算子不允许降精度。