---
title: 网络中存在ResourceConditionalAccumulator等算子导致训练性能不达标-昇腾社区
description: OSMN等网络中存在大量的ResourceConditionalAccumulator、ResourceAccumulatorTakeGradient资源类算子，导致训练性能不达标。
keywords: 资源类算子;训练性能;不达标
url: https://www.hiascend.com/document/caselibrary/detail/topic_0000001343550881
section: (其他)
---

# 网络中存在ResourceConditionalAccumulator等算子导致训练性能不达标-昇腾社区

URL: https://www.hiascend.com/document/caselibrary/detail/topic_0000001343550881
描述: OSMN等网络中存在大量的ResourceConditionalAccumulator、ResourceAccumulatorTakeGradient资源类算子，导致训练性能不达标。
关键词: 资源类算子;训练性能;不达标

昇腾文档 [了解详情](https://www.hiascend.com/document)

故障案例 [了解详情](https://www.hiascend.com/document/caselibrary)

网络中存在ResourceConditionalAccumulator等算子导致训练性能不达标

网络中存在ResourceConditionalAccumulator等算子导致训练性能不达标

2022/08/16

779

问题信息

| 问题来源 | 产品大类 | 产品子类 | 关键字 |
| --- | --- | --- | ---|
| 官方 | 模型训练 | TensorFlow | 资源类算子、训练性能、不达标 |

#### 问题现象描述

OSMN等网络中存在大量的ResourceConditionalAccumulator、ResourceAccumulatorTakeGradient资源类算子，导致训练性能不达标。

#### 原因分析

当前昇腾AI处理器默认采用计算全下沉模式，这些算子在昇腾AI处理器上执行时调度开销和内存拷贝开销大，导致训练性能不达标。

#### 解决措施

需要通过使能混合计算能力，将此类算子留在Host侧执行。

```
from npu_bridge.npu_init import *

config = tf.ConfigProto()
custom_op = config.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name = "NpuOptimizer"
custom_op.parameter_map["mix_compile_mode"].b =  True
config.graph_options.rewrite_options.remapping = RewriterConfig.OFF
config.graph_options.rewrite_options.memory_optimization = RewriterConfig.OFF

with tf.Session(config=config) as sess:
    sess.run(...)
```

本页内容

- 问题信息
- 问题现象描述
- 原因分析
- 解决措施