4 月 26 日，机器之心联合华为昇腾学院开设的线上公开课《轻松上手开源框架 MindSpore》第二课完成，GraphEngine 高级工程师王俊为大家带来了主题分享《MindSpore 中 GraphEngine 浅析》。
第二课精选问答
在第二课的 QA 环节中，有一些问题被大家广泛提到，王俊讲师再次做了精选与编辑，供大家参考。
Q1：循环下沉是什么？
循环下沉是在on-device执行的基础上更进一步的一个技巧，意图进一步建校host侧和device侧之间的交互次数。一般情况下，我们习惯于每个step都返回一个结果，循环下沉是控制每隔多少个step返回一次结果，缺省的配置是一个epoch返回一次结果，这样每个epoch里，host侧和device侧只需要进行一次数据交互即可。
Q2:FusionOP是定义在device上么？
FusionOP对应的具体算子是有其算子实现的，存储在算子信息库中，融合出fusionOP的过程是在host侧的CPU上完成，运行此FusionOP是在device上。
Q3:profiling只能在昇腾上用吗？
只能在升腾上使用。
Q4:profiling有op的开始时间吗？
profiling是记录下op开始和结束的时间，以此计算算子耗时。
Q5：数据dump是能dump出来什么数据呀
通过配置可以dump出任何存在在网络中的数据，每一个算子的输入输出，每一个parameter的值和梯度都可以被dump下来。
Q6: 910支持推理吗？支持多少op呢
910支持训练及推理，310只支持推理。目前我们的算子信息库已经相对完善，常用的op基本都已支持，如果有自定义算子的需求，我们提供了TBE工具来支持用户自定义算子的开发。
Q7:算子在不同的加速器上的调度策略什么？
在图准备阶段会根据代价函数进行算子引擎分配，在流分配阶段也会充分考虑不同算子之间的并行计算可能，具体指定每个算子的执行引擎。
Q8: GE是mindspore中和硬件交互的
是的，GE专门负责和Ascend芯片交互。
Q9:310不能做训练么？
310只能做推理，MindSpore训练好后的模型，将其固化为pb格式后，可以部署到310芯片上进行推理。
Q10:如何自定义升腾芯片支持的op呢？
提供了Tensor Boost Engine这个工具来支持自定义op。Ascend芯片的算子需要用一种cce格式的代码编写，需要显式指定内存搬运操作，极为复杂，使用tbe工具，只需调用其python接口完成算子逻辑定义，即可生成可运行在Ascend上的自定义算子。
大家后续如有更多问题，欢迎关注 MindSpore 的gitee和github，随时提 issue，官方人员将及时为大家解答：
- Gitee：https://gitee.com/mindspore
- GitHub：https://github.com/mindspore-ai
第二课PPT如下：
