本文分享自华为云社区《华为云论坛_云计算论坛_开发者论坛_技术论坛-华为云》，作者：Skytier。

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 npimport mindspore.nn as nnfrom mindspore.nn.loss.lossimport _Lossfrom mindsporeimport Tensorfrom mindspore.opsimport operations as Pfrom mindspore.commonimport dtype as mstypeclass 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_lossloss_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 xclass 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

点击下方，第一时间了解华为云新鲜技术~

华为云博客_大数据博客_AI博客_云计算博客_开发者中心-华为云