---
title: 运行配置
description: "模型配置函数主要在resnet_main()中，其函数介绍如下："
url: https://www.hiascend.com/document/detail/zh/TensorFlowCommercial/latest/migration/tfmigr1/tfmigr1_000105.html
sourcePath: /source/zh/TensorFlowCommercial/900/migration/tfmigr1/tfmigr1_000105.html
indexId: d8251ef9fa0a81ae0393450fd254b00e784a134c1d13f78f3e0f3ac15850f6b773
---
# 运行配置

模型配置函数主要在resnet_main()中，其函数介绍如下：


**表1 模型配置相关函数接口**

| 接口 | 简介 | 位置 |
| --- | --- | --- |
| resnet\_main() | 包含运行配置、训练以及验证的主要函数。 | “official/r1/resnet/resnet\_run\_loop.py” |


1. 在“official/r1/resnet/resnet_run_loop.py”增加以下头文件：
  1 2 from npu_bridge.estimator.npu.npu_config import NPURunConfig from npu_bridge.estimator.npu.npu_estimator import NPUEstimator

2. 通过NPURunConfig替代RunConfig来配置运行参数。
  代码位置：“official/r1/resnet/resnet_run_loop.py”的resnet_main()函数： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 ############## NPU modify begin ############# # 使用NPURunConfig替换RunConfig，适配昇腾AI处理器，每115200步保存一次checkpoint，每10000次保存一次summary， # 对数据进行预处理，使用混合精度模式提升训练速度。 run_config = NPURunConfig( model_dir=flags_obj.model_dir, session_config=session_config, save_checkpoints_steps=115200, enable_data_pre_proc=True, iterations_per_loop=100, # enable_auto_mix_precision=True, # 精度模式设置为混合精度模式。 precision_mode='allow_mix_precision', hcom_parallel=True ) ############## NPU modify end ############### # 原代码中运行参数配置如下： # run_config = tf.estimator.RunConfig( # train_distribute=distribution_strategy, # session_config=session_config, # save_checkpoints_secs=60 * 60 * 24, # save_checkpoints_steps=None)

  关于设置混合精度模式：precision_mode='allow_mix_precision' ，具体可参考设置混合精度模式。

3. 创建NPUEstimator，使用NPUEstimator接口代替tf.estimator.Estimator。
  代码位置：“official/r1/resnet/resnet_run_loop.py”的resnet_main()函数（修改部分如下）：

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 # 使用`NPUEstimator`接口代替tf.estimator.Estimator classifier = NPUEstimator( model_fn=model_function, model_dir=flags_obj.model_dir, config=run_config, params={ 'resnet_size': int(flags_obj.resnet_size), 'data_format': flags_obj.data_format, 'batch_size': flags_obj.batch_size, 'resnet_version': int(flags_obj.resnet_version), 'loss_scale': flags_core.get_loss_scale(flags_obj, default_for_fp16=128), 'dtype': flags_core.get_tf_dtype(flags_obj), 'fine_tune': flags_obj.fine_tune, 'num_workers': num_workers, 'num_gpus': flags_core.get_num_gpus(flags_obj), }) # 原代码中创建Estimator如下： # classifier = tf.estimator.Estimator( # model_fn=model_function, model_dir=flags_obj.model_dir, config=run_config, # warm_start_from=warm_start_settings, params={ # 'resnet_size': int(flags_obj.resnet_size), # 'data_format': flags_obj.data_format, # 'batch_size': flags_obj.batch_size, # 'resnet_version': int(flags_obj.resnet_version), # 'loss_scale': flags_core.get_loss_scale(flags_obj, # default_for_fp16=128), # 'dtype': flags_core.get_tf_dtype(flags_obj), # 'fine_tune': flags_obj.fine_tune, # 'num_workers': num_workers, # })