本章节介绍的Shape与DataType推导函数实现属于可选内容，仅在图模式下相关的调用方式时，需要提供该函数实现。

假设下图是我们需要使用的网络模型，您可能会想直接逐个算子调用，根据输入Tensor得到输出Tensor就可以完成网络的运行，但在实际的网络模型生成过程中，会先进行Tensor shape以及data type的推导。这样可以让我们在图执行之前，就知道各Tensor的数据类型和形状，提前校验其正确性；同时提前推理出算子的输出张量描述，包括张量的形状、数据类型及数据排布格式等信息，算子构图准备阶段就可以为所有的张量静态分配内存，避免动态内存分配带来的开销。

下面的网络模型经过infershape和data type推导之后，可以得到灰色底纹框中的推导信息：

图1 shape与data type推导示意图

以AddCustom算子为例，InferShape的实现如下所示。该样例中输出Tensor的描述信息与输入Tensor的描述信息相同，所以直接将任意一个输入Tensor的描述赋给输出Tensor即可。

namespace ge {
static graphStatus InferShape(gert::InferShapeContext* context)
{
    const auto inputShape = context->GetInputShape(0);
    auto outputShape = context->GetOutputShape(0);
    *outputShape = *inputShape;
    return GRAPH_SUCCESS;
}
} // namespace ge

InferDataType的实现如下所示。该样例中输出Tensor的数据类型与输入Tensor的数据类型相同，所以直接将任意一个输入Tensor的数据类型赋给输出Tensor即可。

namespace ge {
static graphStatus InferDataType(gert::InferDataTypeContext* context)
{
    const auto inputDataType = context->GetInputDataType(0);
    context->SetOutputDataType(0, inputDataType);
    return ge::GRAPH_SUCCESS;
}
} // namespace ge