--precision_mode_v2
功能说明
设置网络模型的精度模式。
关联参数
- 该参数不能与--precision_mode参数同时使用，建议使用--precision_mode_v2参数。
- 当取值为mixed_float16时，如果用户想要在内置优化策略基础上进行调整，自行指定哪些算子允许降精度，哪些算子不允许降精度，则需要参见--modify_mixlist参数设置。
- 推理场景下，使用--precision_mode_v2参数设置整个网络模型的精度模式，可能会有个别算子存在性能或精度问题，该场景下可以使用--keep_dtype参数，使原始网络模型编译时保持个别算子的计算精度不变，但--precision_mode_v2参数取值为origin时，--keep_dtype不生效。
参数取值
- fp16：
表示网络模型中算子支持float16和float32时，强制选择float16。
- origin：
表示保持原图精度。如果原图中部分算子精度为float16，但NPU中该部分算子实现不支持float16、仅支持float32，则系统内部会自动采用高精度float32；如果原图中部分算子精度为float32，但NPU中该部分算子的实现不支持float32类型、仅支持float16类型，则不能使用该参数值，系统不支持使用低精度。
- cube_fp16in_fp32out：
算子既支持float32又支持float16数据类型时，系统内部根据算子类型不同，选择不同的处理方式。
- 对于Cube计算，系统内部会按算子实现的支持情况处理：
- 优先选择输入数据类型为float16且输出数据类型为float32；
- 如果1中的场景不支持，则选择输入数据类型为float32且输出数据类型为float32；
- 如果2中的场景不支持，则选择输入数据类型为float16且输出数据类型为float16；
- 如果3中的场景不支持，则报错。
- 对于Vector计算，表示网络模型中算子支持float16和float32时，强制选择float32，若原图精度为float16，也会强制转为float32。
如果网络模型中存在部分算子，并且该算子实现不支持float32，比如某算子仅支持float16类型，则该参数不生效，仍然使用支持的float16；如果该算子不支持float32，且又配置了黑名单（precision_reduce = false），则会使用float32的AI CPU算子。
- 对于Cube计算，系统内部会按算子实现的支持情况处理：
- mixed_float16：
表示使用混合精度float16和float32数据类型来处理神经网络。针对网络模型中float32数据类型的算子，按照内置的优化策略，自动将部分float32的算子降低精度到float16，从而在精度损失很小的情况下提升系统性能并减少内存使用。
若配置了该种模式，则可以在OPP软件包安装路径${INSTALL_DIR}/opp/built-in/op_impl/ai_core/tbe/config/<soc_version>/aic-<soc_version>-ops-info.json内置优化策略文件中查看“precision_reduce”参数的取值：
- 若取值为true（白名单），则表示允许将当前float32类型的算子，降低精度到float16。
- 若取值为false（黑名单），则不允许将当前float32类型的算子降低精度到float16，相应算子仍旧使用float32精度。
- 若网络模型中算子没有配置该参数（灰名单），当前算子的混合精度处理机制和前一个算子保持一致，即如果前一个算子支持降精度处理，当前算子也支持降精度；如果前一个算子不允许降精度，当前算子也不支持降精度。
参数默认值：fp16
推荐配置及收益
所配置的精度模式不同，网络模型精度以及性能有所不同，具体为：
精度高低排序：origin>mixed_float16>fp16
性能优劣排序：fp16>=mixed_float16>origin
示例
--precision_mode_v2=fp16
支持的芯片型号
Atlas 200/500 A2推理产品
依赖约束
无。
