---
title: set_graph_exec_config
description: "| 产品 | 是否支持 |"
url: https://www.hiascend.com/document/detail/zh/TensorFlowCommercial/latest/migration/tfmigr1/tfmigr1_tfadapi_0088.html
sourcePath: /source/zh/TensorFlowCommercial/900/migration/tfmigr1/tfmigr1_tfadapi_0088.html
indexId: f1dfc6d3feafcd60bd98617e07ccafe7b9fce766b3e68fe8a5a807953f2cb31d79
---
# set_graph_exec_config

#### 产品支持情况

| 产品 | 是否支持 |
| --- | --- |
| Atlas 350 加速卡 | √ |
| Atlas A3 训练系列产品 / Atlas A3 推理系列产品 | √ |
| Atlas A2 训练系列产品 / Atlas A2 推理系列产品 | √ |
| Atlas 200I/500 A2 推理产品 | ☓ |
| Atlas 推理系列产品 | ☓ |
| Atlas 训练系列产品 | √ |


#### 功能说明

图级别的配置项接口，用于按计算图设置编译和运行选项。通过该接口调用之后，fetch节点会被打上设置的属性。


#### 函数原型

```
def set_graph_exec_config(fetch, dynamic_input=False,
                          dynamic_graph_execute_mode="dynamic_execute",
                          dynamic_inputs_shape_range=None,
                          is_train_graph=False,
                          experimental_config=None)
```


#### 参数说明

| 参数名 | 输入/输出 | 描述 |
| --- | --- | --- |
| fetch | 输入 | 图上任意能够执行到的节点，取值包含tensor、operation、list、tuple或者tensor的name。 由于tf.no\_op节点会在TensorFlow自身进行图处理时优化掉，因此不能输入该节点 |
| dynamic\_input | 输入 | 说明：该参数后续版本将废弃，建议不要配置此参数。 当前输入是否为动态输入，取值包括： True：动态输入。 False：固定输入，默认False。 |
| dynamic\_graph\_execute\_mode | 输入 | 说明：该参数后续版本将废弃，建议不要配置此参数。 对于动态输入场景，需要通过该参数设置执行模式，即dynamic\_input为True时该参数生效。取值为： dynamic\_execute：动态图编译模式。该模式下获取dynamic\_inputs\_shape\_range中配置的shape范围进行编译。 |
| dynamic\_inputs\_shape\_range | 输入 | 说明：该参数后续版本将废弃，建议不要配置此参数。 动态输入的shape范围。例如全图有3个输入，两个为dataset输入，一个为placeholder输入，则配置示例为： dynamic\_inputs\_shape\_range="getnext:[128 ,3~5, 2~128, \-1],[64 ,3~5, 2~128, \-1];data:[128 ,3~5, 2~128, \-1]" 使用注意事项： 使用此参数时，不支持将常量设置为用户输入。 dataset输入固定标识为“getnext”，placeholder输入固定标识为“data”，不允许用其他表示。 动态维度有shape范围的用波浪号“~”表示，固定维度用固定数字表示，无限定范围的用\-1表示。 对于多输入场景，例如有三个dataset输入时，如果只有第二个第三个输入具有shape范围，第一个输入为固定输入时，仍需要将固定输入shape填入： dynamic\_inputs\_shape\_range="getnext:[3,3,4,10],[\-1,3,2~1000,\-1],[\-1,\-1,\-1,\-1]" 对于标量输入，也需要填入shape范围，表示方法为：[]，"[]"前不允许有空格。 若网络中有多个getnext输入，或者多个data输入，需要分别保持顺序关系，例如： 若网络中有多个dataset输入： def func(x): x = x + 1 y = x + 2 return x,y dataset = tf.data.Dataset.range(min\_size, max\_size) dataset = dataset.map(func) 网络的第一个输入是x（假设shape range为：[3~5]），第二个输入是y（假设shape range为：[3~6]），配置到dynamic\_inputs\_shape\_range中时，需要保持顺序关系，即 dynamic\_inputs\_shape\_range ="getnext:[3~5],[3~6]" 若网络中有多个placeholder输入： 如果不指定placeholder的name，例： x = tf.placeholder(tf.int32) y = tf.placeholder(tf.int32) placeholder的顺序和脚本中定义的位置一致，即网络的第一个输入是x（假设shape range为：[3~5]），第二个输入是y（shape range为：[3~6]），配置到dynamic\_inputs\_shape\_range中时，需要保持顺序关系，即 dynamic\_inputs\_shape\_range= "data:[3~5],[3~6]" 如果指定了placeholder的name，例： x = tf.placeholder(tf.int32, name='b') y = tf.placeholder(tf.int32, name='a') 则网络输入的顺序按name的字母序排序，即 即网络的第一个输入是y（假设shape range为：[3~6]），第二个输入是x（shape range为：[3~5]），配置到dynamic\_inputs\_shape\_range中时，需要保持顺序关系，即 dynamic\_inputs\_shape\_range = "data:[3~6],[3~5]" 须知： 若网络脚本中未指定placeholder的name，则placeholder会按照会如下格式命名： xxx\_0，xxx\_1，xxx\_2，…… 其中下划线后为placeholder在网络脚本中的定义顺序索引，placeholder会按照此索引的字母顺序进行排布，所以当placeholder的个数大于10时，则排序为“xxx\_0 \-> xxx\_10 \-> xxx\_2 \-> xxx\_3”，网络脚本中定义索引为10的placeholder排在了索引为2的placeholder前面，导致定义的shape range与实际输入的placeholder不匹配。 为避免此问题，当placeholder的输入个数大于10时，建议在网络脚本中指定placeholder的name，则placeholder会以指定的name进行命名，实现shape range与placeholder name的关联。 |
| is\_train\_graph | 输入 | 标记该图是否为计算图。 True：是计算图 False：不是计算图，默认False。 |
| experimental\_config | 输入 | 当前版本暂不推荐使用。 |


#### 返回值

fetch


#### 约束说明

如果同时设置了图级别的参数和session级别的参数，则图级别的参数优先级高。


#### 调用示例

一般训练网络中都会执行梯度更新操作，可以将梯度更新操作的返回值作为set_graph_exec_config的fetch入参：

```
from npu_bridge.estimator.npu import util
train_op = util.set_graph_exec_config(train_op, 
                                     dynamic_input=True,
                                     dynamic_inputs_shape_range="data:[1~2];getnext:[1~50,1~50],[1~50,1~50]")
```