create_iteration_per_loop_var

函数原型

def create_iteration_per_loop_var(self, train_op)

功能说明

该接口和load_iteration_per_loop_var接口配合使用，用来实现sess.run模式下设置小循环次数，即每次sess.run()在Device侧执行训练迭代的次数。该接口的主要作用是修改图，并通过load_iteration_per_loop_var接口来设置小循环次数。

参数说明

返回值

返回一个算子，供用户通过sess.run(op)调用。

调用示例

from npu_bridge.npu_init import *

config = tf.ConfigProto(allow_soft_placement=True)
custom_op =  config.graph_options.rewrite_options.custom_optimizers.add()
custom_op.name =  "NpuOptimizer"
custom_op.parameter_map["enable_data_pre_proc"].b = True # 若网络中存在getnext算子，需要设置getnext算子下沉，getnext算子下沉是迭代循环下沉的必要条件
custom_op.parameter_map["iterations_per_loop"].i = 10  # 此处设置的值和load_iteration_per_loop_var设置的iterations_per_loop值保持一致，用于功能校验
config = npu_config_proto(config_proto=config)

# 训练模型
with tf.Session(config=config) as sess:
    sess.run(init)
    # sess.run模式下设置小循环次数为10
    iteration = util.IterationPerLoop()   # 定义IterationPerLoop对象
    train_op = iteration.create_iteration_per_loop_var(optimizer) # 修改图
    tf.train.Supervisor(logdir="/home/xxxx",init_op=init)  #冻结图
    iteration.load_iteration_per_loop_var(sess, 10)  #设置小循环次数

    for epoch in range(training_epochs):
        avg_cost = 0
        total_batch = int(mnist.train.num_examples / batch_size)
 
        for i in range(total_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            _, c = sess.run([train_op, cost], feed_dict={x: batch_xs, y: batch_ys})
 
            avg_cost += c / total_batch