MindSpore给大家提供了很多算子进行使用，今天给大家简单介绍下常用的一些算子使用时需要注意的内容。
使用mindspore.nn.BatchNorm注意momentum参数
Batch Normalization里有一个momentum参数， 该参数作用于mean和variance的计算上， 保留了历史Batch里的mean和variance值，即moving_mean和moving_variance， 借鉴优化算法里的Momentum算法将历史Batch里的mean和variance的作用延续到当前Batch。
经验总结：
MindSpore中BatchNorm1d、BatchNorm2d的momentum参数（定义该参数的变量名称为momentum_ms），该参数与PyTorch里BN的momentum参数（定义该参数的变量名称为momentum_py）的关系为：
momentum_ms = 1−momentum_py
使用mindspore.nn.Dropout注意概率参数
dropout算子的prob参数是用来设置节点值为0的概率
经验总结：
MindSpore中dropout的keep_prob参数，该参数与PyTorch里dropout的p参数的关系为： keep_prob=1−p
使用mindspore.nn.SmoothL1Loss注意问题
在网络训练中，一般会把Loss的结果对Batch Size求平均;PyTorch的Loss算子一般会有是否求平均的参数，而MindSpore里面的Loss算子没有这个参数。
经验总结：
Mindspore.nn.SmoothL1Loss（beta=1.0）没有做平均，需要自己做求均值操作，否则可能会出现：
ERROR, updateOutputDesc, Update output desc failed, unknown output shape type具体示例代码如下：
import numpy as np
import mindspore.nn as nnfrom mindspore.nn.loss.loss
import _Lossfrom mindspore
import Tensorfrom mindspore.ops
import operations as Pfrom mindspore.common
import dtype as mstype
class CheckSmoothL1(_Loss):
def __init__(self, mean_dim=0):
super(CheckSmoothL1, self).__init__()
self.smooth_l1_loss = nn.SmoothL1Loss(beta=1.0)
self.mean = P.ReduceMean(keep_dims=False)
self.mean_dim = mean_dim
def construct(self, input, target):
out = self.smooth_l1_loss(input, target)
mean_loss = self.mean(out, self.mean_dim) #需要自己做求均值的操作
return mean_loss
loss_op = CheckSmoothL1(mean_dim=0)
input_data = Tensor(np.array([1, 2, 3]), mstype.float32)
target_data = Tensor(np.array([1, 2, 2]), mstype.float32)
loss = loss_op(input_data, target_data)使用mindspore.ops.operations.L2Normalize注意axis参数的指定
L2Normalize算子需要指定axis来决定需要处理的轴。
经验总结：
mindspore.ops.operations.L2Normalize#默认axis=0，
nn.functional.normalize(input, p=2, dim=1, eps=1e-12, out=None)#默认dim=1，两者有很大差异；
迁移PyTorch网络使用L2Normalize算子时，请指定axis参数，示例如下：
norm = P.L2Normalize(axis=1)
在测试的时候使用mindspore.nn.Dropout
dropout算子只在训练中使用，测试的时候需要去掉。
经验总结：
PyTorch预测模式下Dropout自动不生效，而MindSpore预测模式下如果网络结构中有Dropout层，仍然会做drop。所以需要在测试的代码中手动去掉dropout,示例代码如下：
class Cut(nn.Cell):
def __init__(self):
super(Cut, self).__init__()
def construct(self, x):
return x
class CheckDrop(Cell):
def __init__(self, use_drop=1, keep_prob=0.6):
super(CheckDrop, self).__init__()
if use_drop == 1:
self.drop = nn.Dropout(keep_prob=keep_prob)
else:
self.drop = Cut()
def construct(self, x):
x = self.drop(x)
return x