mindstudio-probe 1.0.1__py3-none-any.whl → 1.0.4__py3-none-any.whl

msprobe/config/README.md

@@ -1,397 +0,0 @@
-# 配置文件说明
-
-当前配置文件主要为PrecisionDebugger接口执行dump或无标杆比对操作时调用的配置，当PrecisionDebugger接口未指定该配置文件时，使用该文件的默认配置。配置文件详见[config.json](./config.json)。
-
-## 参数说明
-
-### **通用配置参数**
-
-| 参数名            | 说明                                                         | 是否必选 |
-| ----------------- | ------------------------------------------------------------ | -------- |
-| task              | dump的任务类型，str类型。可取值"free_benchmark"（无标杆比对，仅PyTorch场景支持）、"statistics"（仅dump API统计信息，默认值）、"tensor"（dump API统计信息和完全复刻整网的API运行情况的真实数据）、"overflow_check"（溢出检测）。配置示例："task": "tensor"。根据task参数取值的不同，可以配置不同场景参数，详见：“**task配置为free_benchmark**”，“**task配置为statistics**”，“**task配置为tensor**”，“**task配置为overflow_check**”。 | 否       |
-| dump_path         | 设置dump数据目录路径，str类型。配置示例："dump_path": "./dump_path"。MindSpore场景仅支持绝对路径。 | 是       |
-| rank              | 指定对某张卡上的数据进行dump，list[int]类型，默认未配置（表示dump所有卡的数据），应配置为大于等于0的整数，且须配置实际可用的Rank ID。配置示例："rank": [1]。<br>        对于PyTorch场景，Rank ID从0开始计数，最大取值为所有节点可用卡总数-1，若所配置的值大于实际训练所运行的卡的Rank ID，则dump数据为空，比如当前环境Rank ID为0到7，实际训练运行0到3卡，此时若配置Rank ID为4或不存在的10等其他值，此时dump数据为空。<br/>        对于MindSpore场景，所有节点的Rank ID均从0开始计数，最大取值为每个节点可用卡总数-1，config.json配置一次rank参数对所有节点同时生效。 | 否       |
-| step              | 指定dump某个step的数据，list[int]类型。默认未配置，表示dump所有step数据。dump特定step时，须指定为训练脚本中存在的step。step为list格式，可配置逐个step，例如："step": [0,1,2]。 | 否       |
-| level             | dump级别，str类型，根据不同级别dump不同数据。可取值"L0"（dump module模块级精度数据，仅PyTorch场景支持，使用背景详见“**模块级精度数据dump说明**”）、"L1"（dump API级精度数据，默认值）、"L2"（dump kernel级精度数据，须配置acl_config参数）、"mix"（dump module模块级和API级精度数据，即"L0"+"L1"，仅PyTorch场景支持）。配置示例："level": "L1"。 | 否       |
-| acl_config        | kernel dump的配置文件，str类型。level取"L2"时，该参数必选；level为其他值时，该参数不选。参数示例：acl_config='./acl_config.json'。acl_config.json配置文件详细介绍请参见“**acl_config.json配置文件说明**”。 | 否       |
-| seed              | 随机种子数，int类型，默认值为：1234，仅PyTorch场景支持。通过固定随机数保证模型的输入或输出一致，可固定的随机数详见“**固定随机数范围**”。配置示例："seed": 1234。 | 否       |
-| is_deterministic  | 确定性计算模式，bool类型，仅PyTorch场景支持。可取值true（开启）或false（关闭），默认关闭。配置示例："is_deterministic": true。<br/>即使在相同的硬件和输入下，API多次执行的结果也可能不同，开启确定性计算是为了保证在相同的硬件和输入下，API多次执行的结果相同。<br/>确定性计算会导致API执行性能降低，建议在发现模型多次执行结果不同的情况下开启。<br/>rnn类算子、ReduceSum、ReduceMean等算子可能与确定性计算存在冲突，若开启确定性计算后多次执行的结果不相同，则考虑存在这些算子。 | 否       |
-| enable_dataloader | 自动控制开关，bool类型，仅PyTorch场景支持。可取值true（开启）或false（关闭），默认为false。配置为True后自动识别step参数指定的迭代，并在该迭代执行完成后退出训练，此时start、stop和step函数可不配置，开启该开关要求训练脚本是通过torch.utils.data.dataloader方式加载数据。仅支持PyTorch单卡训练使用，分布式训练场景下存在数据dump不全问题，**下个版本即将废弃该功能**。 | 否       |
-
-### task配置为free_benchmark
-
-仅PyTorch场景支持。
-
-task配置为free_benchmark时，开启**无标杆比对**，在NPU环境下通过对当前模型API的输入添加扰动因子，二次执行，将得到的输出与未添加扰动因子前的输出进行比对，从而**得出该模型中可能因迁移等变化导致精度降低的API**。
-
-无标杆比对优势在于省去了从GPU环境获取dump数据并执行的步骤，也省去了在NPU环境执行dump的操作，降低了精度比对的操作难度。
-
-建议配置白名单（配置scope或list）控制少量API进行无标杆比对，一次对过多API执行无标杆比对可能导致显存溢出或性能膨胀。
-
-| 参数名       | 说明                                                         | 是否必选 |
-| ------------ | ------------------------------------------------------------ | -------- |
-| scope        | PyTorch场景dump范围，list[str]类型，默认未配置（list也未配置时表示dump所有API的数据）。需要在[]内配置两个模块名或API名，用于锁定区间，dump该范围内的数据。配置示例："scope": ["MyModuleOP1", "MyModuleOP2"]。与level参数取值相关，level为L0和mix级别时，可配置模块名；level为L1级别时，可配置API名。与list参数不能同时配置。 | 否       |
-| list         | 自定义dump范围，list[str]类型，默认未配置（scope也未配置时表示dump所有API的数据）。包含如下配置方法：<br>        PyTorch场景配置具体的API全称，dump该API数据。配置示例："list": ["Tensor.permute.1.forward", "Tensor.transpose.2.forward", "Torch.relu.3.backward"]。<br/>        PyTorch场景指定某一类API，dump某一类的API级别输入输出数据。配置示例："list": ["relu"]。<br/>        PyTorch场景配置kernel_api，dump前向和反向API的kernel_api级别数据，其中dump反向API时需要配置**backward_input**参数。前向API配置示例："list": ["Tensor.permute.1.forward"]；反向API配置示例："list": ["Tensor.permute.1.forward"], "backward.input": "./npu_dump/step0/rank0/Functional.conv2d.1.backward.input.0.pt"]。<br/>与scope参数不能同时配置。 | 否       |
-| fuzz_device  | 标杆设备，str类型。可取值：<br/>        "npu"：无标杆，通过添加扰动因子进行比对，默认值。<br/>        "cpu"：以CPU为标杆，pert_mode须配置为"to_cpu"。<br/>配置示例："fuzz_device": "cpu"。 | 否       |
-| pert_mode    | 无标杆扰动因子，str类型。可取值：<br/>        "improve_precision"：对输入做升精度，默认值。<br/>        "add_noise"：对输入增加噪声。<br/>        "no_change"：不加扰动直接二次执行。<br/>        "bit_noise"：输入的末位比特翻转。<br/>        "change_value"：输入的张量首尾值调换。<br/>        "to_cpu"：在CPU等价执行。<br/>配置示例："pert_mode": "to_cpu"。 | 否       |
-| handler_type | 处理类型，可取值："check"（进行无标杆比对检查，默认值）、"fix"（将扰动后的API输出结果覆盖原始API输出结果，尝试将Loss曲线恢复正常，该模式下不支持预热if_preheat）。配置示例："handler_type": "fix"。 | 否       |
-| fuzz_level   | 无标杆数据dump级别，即选择比对结果文件应输出的表头属性，当前仅支持取值为："L1"。输出结果详见“**无标杆比对数据存盘格式**”。 | 否       |
-| fuzz_stage   | 前反向，选择对API前向或反向进行无标杆比对，可取值："forward"（前向，默认值）、"backward"（反向）。配置示例："fuzz_stage": "backward"。 | 否       |
-| if_preheat   | 预热功能，开启功能后工具可以根据每次迭代的输出调整精度算法的阈值，从而更准确找出存在精度问题的API，bool类型。可取值true（开启）或false（关闭），默认关闭。配置示例："if_preheat": "true"。"handler_type": "fix"不支持预热。 | 否       |
-| preheat_step | 开启预热的迭代数量，int类型，默认值为15。须配置"if_preheat": "true"。 | 否       |
-| max_sample   | 每个算子预热的采样次数的最大阈值，int类型，默认值为20。须配置"if_preheat": "true"。 | 否       |
-
-#### 无标杆比对数据存盘格式
-
-无标杆比对在dump_path目录下输出结果文件free_benchmark.csv，如下示例：
-
-![free_benchmark](./img/free_benchmark.png)
-
-| 字段         | 说明                                                         |
-| ------------ | ------------------------------------------------------------ |
-| rank         | Rank ID，int类型。                                           |
-| pert_mode    | 扰动因子的类型，string类型。                                 |
-| stage        | 前向或反向，string类型。                                     |
-| step         | 迭代数，int类型。                                            |
-| api_name     | API名称，string类型。                                        |
-| max_rel      | 输出对比最大相对误差，float类型。                            |
-| dtype        | 输入的dtype，string类型。                                    |
-| shape        | 输入的shape，tuple类型。                                     |
-| Output_index | 如果输出为列表或元组，其中一个元素检测不一致，则会有该元素的index，否则为空，int类型。 |
-
-### task配置为statistics
-
-| 参数名       | 说明                                                         | 是否必选 |
-| ------------ | ------------------------------------------------------------ | -------- |
-| scope        | PyTorch场景dump范围，list[str]类型，默认未配置（list也未配置时表示dump所有API的数据）。需要在[]内配置两个模块名或API名，用于锁定区间，dump该范围内的数据。配置示例："scope": ["MyModuleOP1", "MyModuleOP2"]。与level参数取值相关，level为L0和mix级别时，可配置模块名；level为L1级别时，可配置API名。 | 否       |
-| list         | 自定义dump范围，list[str]类型，默认未配置（scope也未配置时表示dump所有API的数据）。包含如下配置方法：<br>        PyTorch场景配置具体的API全称，dump该API数据。配置示例："list": ["Tensor.permute.1.forward", "Tensor.transpose.2.forward", "Torch.relu.3.backward"]。<br/>        PyTorch场景指定某一类API，dump某一类的API级别输入输出数据。配置示例："list": ["relu"]。<br/>        MindSpore场景配置kernel_name，可以是算子的名称列表，也可以指定算子类型（"level": "L2"时不支持），还可以配置算子名称的正则表达式（当字符串符合”name-regex(xxx)”格式时，后台则会将其作为正则表达式。例如，”name-regex(Default/.+)”可匹配算子名称以”Default/”开头的所有算子）。 | 否       |
-| data_mode    | dump数据过滤，str类型。可取值"all"、"forward"、"backward"、"input"和"output"，表示仅保存dump的数据中文件名包含"forward"、"backward"、"input"和"output"的前向、反向、输入或输出的dump文件。配置示例"data_mode": ["backward"]或"data_mode": ["forward", "backward"]。默认为["all"]，即保存所有dump的数据。除了all参数只能单独配置外，其他参数可以自由组合。<br/>MindSpore场景仅支持"all"、"input"和"output"参数，且各参数只能单独配置，不支持自由组合。 | 否       |
-| summary_mode | 控制dump文件输出的模式，str类型，仅PyTorch场景支持，可取值md5（dump输出包含md5值以及API统计信息的dump.json文件，用于验证数据的完整性）、statistics（dump仅输出包含API统计信息的dump.json文件，默认值）。配置示例："summary_mode": "md5"。 | 否       |
-
-### task配置为tensor
-
-| 参数名         | 说明                                                         | 是否必选 |
-| -------------- | ------------------------------------------------------------ | -------- |
-| scope          | PyTorch场景dump范围，list[str]类型，默认未配置（list也未配置时表示dump所有API的数据）。需要在[]内配置两个模块名或API名，用于锁定区间，dump该范围内的数据。配置示例："scope": ["MyModuleOP1", "MyModuleOP2"]。与level参数取值相关，level为L0和mix级别时，可配置模块名；level为L1级别时，可配置API名。 | 否       |
-| list           | 自定义dump范围，list[str]类型，默认未配置（scope也未配置时表示dump所有API的数据）。包含如下配置方法：<br>        PyTorch场景配置具体的API全称，dump该API数据。配置示例："list": ["Tensor.permute.1.forward", "Tensor.transpose.2.forward", "Torch.relu.3.backward"]。<br/>        PyTorch场景指定某一类API，dump某一类的API级别输入输出数据。配置示例："list": ["relu"]。<br/>        PyTorch场景配置kernel_api，dump前向和反向API的kernel_api级别数据，其中dump反向API时需要配置**backward_input**参数。前向API配置示例："list": ["Tensor.permute.1.forward"]；反API配置示例："list": ["Tensor.permute.1.forward"], "backward.input": "./npu_dump/step0/rank0/Functional.conv2d.1.backward.input.0.pt"]。<br/>        MindSpore场景配置kernel_name，可以是算子的名称列表，也可以指定算子类型（"level": "L2"时不支持），还可以配置算子名称的正则表达式（当字符串符合”name-regex(xxx)”格式时，后台则会将其作为正则表达式。例如，”name-regex(Default/.+)”可匹配算子名称以”Default/”开头的所有算子）。 | 否       |
-| backward_input | 该输入文件为首次运行训练dump得到反向API输入的dump文件，str类型，仅PyTorch场景支持，默认未配置。例如若需要dump Functional.conv2d.1 API的反向过程的输入输出，则需要在dump目录下查找命名包含Functional.conv2d.1、backward和input字段的dump文件。配置示例："backward_input": "./npu_dump/step0/rank0/Functional.conv2d.1.backward.input.0.pt"] | 否       |
-| data_mode      | dump数据过滤，str类型。可取值"all"、"forward"、"backward"、"input"和"output"，表示仅保存dump的数据中文件名包含"forward"、"backward"、"input"和"output"的前向、反向、输入或输出的dump文件。配置示例"data_mode": ["backward"]或"data_mode": ["forward", "backward"]。默认为["all"]，即保存所有dump的数据。除了all参数只能单独配置外，其他参数可以自由组合。<br/>MindSpore场景仅支持"all"、"input"和"output"参数，且各参数只能单独配置，不支持自由组合。 | 否       |
-| file_format    | MindSpore场景真实tensor数据的保存格式，str类型，可取值"bin"（dump的tensor文件为二进制格式，"level": "L1"时不支持）、"npy"（dump的tensor文件后缀为.npy，默认值）。 | 否       |
-
-### task配置为overflow_check
-
-| 参数名        | 说明                                                         | 是否必选 |
-| ------------- | ------------------------------------------------------------ | -------- |
-| overflow_nums | 控制溢出次数，int类型，仅PyTorch场景支持，表示第N次溢出时，停止训练，过程中检测到溢出API对应kernel数据均dump。配置示例："overflow_nums": 3。默认为1，即检测到1次溢出，训练停止，配置为-1时，表示持续检测溢出直到训练结束。 | 否       |
-| check_mode    | MindSpore场景kernel级别的溢出检测，str类型，可取值"aicore"（开启AI Core的溢出检测）、"atomic"（开启Atomic的溢出检测）、"all"（开启AI Core和Atomic的溢出检测，默认值）。配置示例"check_mode": "aicore"。 | 否       |
-
-## 配置示例
-
-以下示例包含当前支持的所有场景可配置的完整参数。
-
-### PyTorch场景task配置为free_benchmark
-
-```json
-{
-    "task": "free_benchmark",
-    "dump_path": "/home/data_dump",
-    "rank": [],
-    "step": [],
-    "level": "L1",
-    "seed": 1234,
-    "is_deterministic": false,
-    "enable_dataloader": false,
-
-    "free_benchmark": {
-        "scope": [], 
-        "list": ["conv2d"],
-        "fuzz_device": "npu",
-        "pert_mode": "improve_precision",
-        "handler_type": "check",
-        "fuzz_level": "L1",
-        "fuzz_stage": "forward",
-        "if_preheat": false,
-        "preheat_step": 15,
-        "max_sample": 20
-    }
-}
-```
-
-### PyTorch场景task配置为statistics
-
-```json
-{
-    "task": "statistics",
-    "dump_path": "/home/data_dump",
-    "rank": [],
-    "step": [],
-    "level": "L1",
-    "seed": 1234,
-    "is_deterministic": false,
-    "enable_dataloader": false,
-
-    "statistics": {
-        "scope": [], 
-        "list": [],
-        "data_mode": ["all"],
-        "summary_mode": "statistics"
-    }
-}
-```
-
-### PyTorch场景task配置为tensor
-
-```json
-{
-    "task": "tensor",
-    "dump_path": "/home/data_dump",
-    "rank": [],
-    "step": [],
-    "level": "L1",
-    "seed": 1234,
-    "is_deterministic": false,
-    "enable_dataloader": false,
-
-    "tensor": {
-        "scope": [],
-        "list":[],
-        "data_mode": ["all"],
-        "backward_input": ""
-    }
-}
-```
-
-### PyTorch场景task配置为overflow_check
-
-```json
-{
-    "task": "overflow_check",
-    "dump_path": "/home/data_dump",
-    "rank": [],
-    "step": [],
-    "level": "L1",
-    "seed": 1234,
-    "is_deterministic": false,
-    "enable_dataloader": false,
-
-    "overflow_check": {
-        "overflow_nums": 1
-    }
-}
-```
-
-### MindSpore场景task配置为statistics
-
-```json
-{
-    "task": "statistics",
-    "dump_path": "/home/data_dump",
-    "rank": [],
-    "step": [],
-    "level": "L1",
-    "seed": 1234,
-    "is_deterministic": false,
-
-    "statistics": {
-        "list": [],
-        "data_mode": ["all"],
-        "summary_mode": "statistics"
-    }
-}
-```
-
-### MindSpore场景task配置为tensor
-
-```json
-{
-    "task": "tensor",
-    "dump_path": "/home/data_dump",
-    "rank": [],
-    "step": [],
-    "level": "L1",
-    "seed": 1234,
-    "is_deterministic": false,
-
-    "tensor": {
-        "list":[],
-        "data_mode": ["all"],
-        "backward_input": ""
-    }
-}
-```
-
-### MindSpore场景task配置为overflow_check
-
-```json
-{
-    "task": "overflow_check",
-    "dump_path": "/home/data_dump",
-    "rank": [],
-    "step": [],
-    "level": "L1",
-    "seed": 1234,
-    "is_deterministic": false,
-
-    "overflow_check": {
-        "overflow_nums": 1,
-        "check_mode": "all"
-    }
-}
-```
-
-## 附录
-
-### 模块级精度数据dump说明
-
-仅PyTorch场景支持。
-
-大模型场景下，通常不是简单的利用自动迁移能力实现GPU到NPU的训练脚本迁移，而是会对NPU网络进行一系列针对性的适配，因此，常常会造成迁移后的NPU模型存在部分子结构不能与GPU原始模型完全对应。模型结构不一致导致API调用类型及数量不一致，若直接按照API粒度进行精度数据dump和比对，则无法完全比对所有的API。
-
-本节介绍的功能是对模型中的大粒度模块进行数据dump，使其比对时，对于无法以API粒度比对的模块可以直接以模块粒度进行比对。
-
-模块指的是继承自nn.Module类模块，通常情况下这类模块就是一个小模型，可以被视为一个整体，dump数据时以模块为粒度进行dump。
-
-### acl_config.json配置文件说明
-
-#### [config.json](./config.json)配置示例
-
-当level取"L2"时，须配置acl_config参数，并指定acl_config.json文件（用于指定L2 kernel级dump的配置），此时config.json文件配置示例如下：
-
-- 前向kernel dump配置示例：
-
-  "scope"配置为前向API名称，仅支持配置一个API。
-
-  ```json
-  {
-  	"task": "tensor",
-  	"dump_path": "/home/data_dump",
-  	"level": "L2",
-  	"rank": [0],
-  	"step": [0],
-  	"is_deterministic": false,
-  	"tensor": {
-  		"scope": ["Tensor.__mul__.10.forward"],
-  		"list":[],
-  		"data_mode": ["all"],
-  		"backward_input": [""],
-  		"file_format": "npy"
-  	},
-  	"acl_config": "acl_config.json"
-  }
-  ```
-
-- 反向kernel dump配置示例：
-
-  执行反向kernel dump前需要先使用工具dump该API的反向输入，保存pt文件，在"backward_input"参数中传入该pt文件路径。
-
-  "scope"配置为反向API名称，仅支持配置一个API。
-
-  ```json
-  {
-  	"task": "tensor",
-  	"dump_path": "/home/data_dump",
-  	"level": "L2",
-  	"rank": [0],
-  	"step": [0],
-  	"is_deterministic": false,
-  	"tensor": {
-  		"scope": ["Tensor.__mul__.10.backward"],
-  		"list":[],
-  		"data_mode": ["all"],
-  		"backward_input": ["Tensor.__mul__.10.backward.input.0.pt"],
-  		"file_format": "npy"
-  	},
-  	"acl_config": "acl_config.json"
-  }
-  ```
-
-#### acl_config.json配置示例
-
-acl_config.json文件须自行创建，配置示例如下：
-
-```
-{
- "dump":
- {
-         "dump_list":[],
-         "dump_path":"./dump/output",
-         "dump_mode":"all",
-         "dump_op_switch":"on"
- }
-}
-```
-
-**acl_config.json参数说明**
-
-| 字段名         | 说明                                                         |
-| -------------- | ------------------------------------------------------------ |
-| dump_list      | 待dump数据的API模型。为空，无需配置。                        |
-| dump_path      | dump数据文件存储到运行环境的目录，主要用于指定kernel dump数据路径。支持配置绝对路径或相对路径。dump_path须为已存在目录。 |
-| dump_mode      | dump数据模式，配置如下： output：dump API的输出数据。默认值。 input：dump API的输入数据。 all：dump API的输入、输出数据。 |
-| dump_op_switch | 单API模型dump数据开关，配置如下：<br>        off：关闭单API模型dump，默认值。<br>        on：开启单API模型dump。 |
-
-**dump目录说明**
-
-配置register_hook的dump_config后，采集的dump数据会在{dump_path}/{time}/{deviceid}/{model_id}目录下生成，例如“/home/HwHiAiUser/output/20200808163566/0/0”
-
-```
-├── 20230131172437
-│   └── 1
-│       ├── 0
-│       │   ├── Add.Add.45.0.1675157077183551
-│       │   ├── Cast.trans_Cast_0.31.0.1675157077159449
-│       │   ├── Cast.trans_Cast_5.43.0.1675157077180129
-│       │   ├── MatMul.MatMul.39.0.1675157077172961
-│       │   ├── Mul.Mul.29.0.1675157077155731
-│       │   ├── NPUAllocFloatStatus.NPUAllocFloatStatus.24.0.1675157077145262
-│       │   ├── TransData.trans_TransData_1.33.0.1675157077162791
-│       │   └── TransData.trans_TransData_4.41.0.1675157077176648
-│       ├── 1701737061
-│       │   └── Cast.trans_Cast_2.35.0.1675157077166214
-│       ├── 25
-│       │   └── NPUClearFloatStatus.NPUClearFloatStatus.26.0.1675157077150342
-│       └── 68
-│           └── TransData.trans_TransData_3.37.0.1675157077169473
-```
-
-### 固定随机数范围
-
-仅PyTorch场景支持。
-
-seed_all函数可固定随机数的范围如下表。
-
-| API                                      | 固定随机数                  |
-| ---------------------------------------- | --------------------------- |
-| os.environ['PYTHONHASHSEED'] = str(seed) | 禁止Python中的hash随机化    |
-| random.seed(seed)                        | 设置random随机生成器的种子  |
-| np.random.seed(seed)                     | 设置numpy中随机生成器的种子 |
-| torch.manual_seed(seed)                  | 设置当前CPU的随机种子       |
-| torch.cuda.manual_seed(seed)             | 设置当前GPU的随机种子       |
-| torch.cuda.manual_seed_all(seed)         | 设置所有GPU的随机种子       |
-| torch_npu.npu.manual_seed(seed)          | 设置当前NPU的随机种子       |
-| torch_npu.npu.manual_seed_all(seed)      | 设置所有NPU的随机种子       |
-| torch.backends.cudnn.enable=False        | 关闭cuDNN                   |
-| torch.backends.cudnn.benchmark=False     | cuDNN确定性地选择算法       |
-| torch.backends.cudnn.deterministic=True  | cuDNN仅使用确定性的卷积算法 |
-
-需要保证CPU或GPU以及NPU的模型输入完全一致，dump数据的比对才有意义，seed_all并不能保证模型输入完全一致，如下表所示场景需要保证输入的一致性。
-
-| 场景            | 固定方法      |
-| --------------- | ------------- |
-| 数据集的shuffle | 关闭shuffle。 |
-| dropout         | 关闭dropout。 |
-
-关闭shuffle示例：
-
-```Python
-train_loader = torch.utils.data.DataLoader(
-	train_dataset,
-	batch_size = batch_size,
-	shuffle = False,
-	num_workers = num_workers
-)
-```
-
-关闭dropout：
-
-在使用from msprobe.pytorch import PrecisionDebugger后，工具会自动将torch.nn.functional.dropout、torch.nn.functional.dropout2d、torch.nn.functional.dropout3d、torch.nn.Dropout、torch.nn.Dropout2d、torch.nn.Dropout3d的接口参数p置为0。

msprobe/mindspore/doc/dump.md

@@ -1,65 +0,0 @@
-# **精度数据采集**
-
-msprobe工具主要通过在训练脚本内添加dump接口并启动训练的方式来采集精度数据。
-
-执行dump操作需要安装msprobe工具。详见《[MindStudio精度调试工具](../../README.md)》的“工具安装”章节。
-
-## dump接口介绍
-
-### PrecisionDebugger
-
-**功能说明**
-
-通过加载dump配置文件的方式来确定dump操作的详细配置。
-
-可以在from msprobe.mindspore import PrecisionDebugger和模型初始化之间的任意位置添加该接口。
-
-**原型**
-
-```Python
-PrecisionDebugger(config_path=None)
-```
-
-**参数说明**
-
-| 参数名      | 说明                                                         | 是否必选 |
-| ----------- | ------------------------------------------------------------ | -------- |
-| config_path | 指定dump配置文件路径，String类型。参数示例："./config.json"。未配置该路径时，默认使用[config.json](../../config)文件的默认配置。config.json文件可以配置更多参数，若需要进行更多场景的精度数据dump，建议配置[config.json](../../config/config.json)文件。 | 否       |
-
-### start函数
-
-**功能说明**
-
-启动函数。
-
-**原型**
-
-```Python
-debugger.start()
-```
-
-该函数为类函数，可以使用debugger.start()也可以使用PrecisionDebugger.start()。
-
-## 示例代码
-
-```Python
-from msprobe.mindspore import PrecisionDebugger
-debugger = PrecisionDebugger(config_path="./config.json")
-# 请勿将以上初始化流程插入到循环代码中
-# 下面代码也可以用PrecisionDebugger.start()
-debugger.start()
-...
-```
-
-## dump结果文件介绍
-
-训练结束后，工具将dump的数据保存在dump_path参数指定的目录下。
-
-- level为L1时
-
-  dump结果目录请参见MindSpore官网中的《[同步Dump数据对象目录](https://www.mindspore.cn/tutorials/experts/zh-CN/r2.3.0rc2/debug/dump.html#%E5%90%8C%E6%AD%A5dump%E6%95%B0%E6%8D%AE%E5%AF%B9%E8%B1%A1%E7%9B%AE%E5%BD%95)》。
-
-- level为L2时
-
-  dump结果目录请参见MindSpore官网中的《[异步Dump数据对象目录](https://www.mindspore.cn/tutorials/experts/zh-CN/r2.3.0rc2/debug/dump.html#%E5%BC%82%E6%AD%A5dump%E6%95%B0%E6%8D%AE%E5%AF%B9%E8%B1%A1%E7%9B%AE%E5%BD%95)》。
-

msprobe/mindspore/dump/api_kbk_dump.py

@@ -1,55 +0,0 @@
-import os
-import json
-from msprobe.core.common.utils import make_dump_path_if_not_exists
-from msprobe.mindspore.debugger.debugger_config import DebuggerConfig
-from msprobe.core.common.log import logger
-from msprobe.core.common.file_check import FileOpen
-
-
-class ApiKbkDump:
-    def __init__(self, config: DebuggerConfig):
-        self.dump_json = dict()
-        self.dump_json["common_dump_settings"] = dict()
-        self.dump_json["common_dump_settings"]["dump_mode"] = 0
-        self.dump_json["common_dump_settings"]["path"] = ""
-        self.dump_json["common_dump_settings"]["net_name"] = "Net"
-        self.dump_json["common_dump_settings"]["iteration"] = "all"
-        self.dump_json["common_dump_settings"]["saved_data"] = "statistic"
-        self.dump_json["common_dump_settings"]["input_output"] = 0
-        self.dump_json["common_dump_settings"]["kernels"] = []
-        self.dump_json["common_dump_settings"]["support_device"] = [0,1,2,3,4,5,6,7]
-        self.dump_json["e2e_dump_settings"] = dict()
-        self.dump_json["e2e_dump_settings"]["enable"] = True
-        self.dump_json["e2e_dump_settings"]["trans_flag"] = True
-
-
-        if len(config.list) > 0:
-            self.dump_json["common_dump_settings"]["dump_mode"] = 1
-            self.dump_json["common_dump_settings"]["kernels"] = config.list
-        self.dump_json["common_dump_settings"]["path"] = config.dump_path
-        if len(config.step) > 0:
-            step_str = ""
-            for s in config.step:
-                step_str += (str(s) + '|')
-            self.dump_json["common_dump_settings"]["iteration"] = step_str[:-1]
-        if len(config.rank) > 0:
-            self.dump_json["common_dump_settings"]["support_device"] = config.rank
-        if config.task == "tensor":
-            self.dump_json["common_dump_settings"]["saved_data"] = "tensor"
-        if len(config.data_mode) == 1:
-            if config.data_mode[0] == "input":
-                self.dump_json["common_dump_settings"]["input_output"] = 1
-            if config.data_mode[0] == "output":
-                self.dump_json["common_dump_settings"]["input_output"] = 2
-
-    def handle(self):
-        json_path = self.dump_json["common_dump_settings"]["path"]
-        make_dump_path_if_not_exists(json_path)
-        json_path = os.path.join(json_path, "api_kbk_dump.json")
-        with FileOpen(json_path, 'w') as f:
-            json.dump(self.dump_json, f)
-        logger.info(json_path + " has been created.")
-        os.environ["GRAPH_OP_RUN"] = "1"
-        os.environ["MINDSPORE_DUMP_CONFIG"] = json_path
-        if "MS_ACL_DUMP_CFG_PATH" in os.environ:
-            del os.environ["MS_ACL_DUMP_CFG_PATH"]