自动改图

推荐场景下客户希望零代码改动迁移至昇腾并应用mxRec框架，自动改图通过修改TensorFlow计算图的方式，使得客户训练脚本无需创建特征类（Feature Spec），无需调用嵌入read emb key算子的函数即可开始模型训练。

使用流程介绍

本节介绍如何使用自动改图模式进行训练，整体操作流程请参见图1。

图1 自动改图使用流程

正常训练流程一般包含处理数据、创建稀疏表、查表、开始训练，使用自动改图模式和正常训练流程一致，仅需在查表接口设置“modify_graph”参数为“True”，并且在开始训练之前需要调用自动改图的接口。其中查表和调用自动改图接口操作为关键步骤。

关键步骤介绍

查询稀疏特征表。
调用sparse_lookup接口，设置参数modify_graph = True表示在查表时采用自动改图模式，该参数默认为“False”。
调用自动改图接口。
自动改图接口为modify_graph_and_start_emb_cache，但区分使用TF.Session训练模式和使用NPUEstimator训练模式。
1. 使用TF.Session训练模式。
  在TF.Session训练模式下，需要显示调用modify_graph_and_start_emb_cache接口，同时sess.run(iterator.initializer)也需修改为自动改图的数据集初始化接口sess.run(get_initializer(True))或者sess.run(get_initializer(False))，前者用于训练（train）、后者用于评估（eval）。
2. 使用NPUEstimator训练模式。
  在NPUEstimator模式下，需要在NPUEstimator的多个模式（train、predict、train_and_evaluate）中添加自动改图的GraphModifierHook，如当前为训练（train），则在训练的钩子（Hook）中添加GraphModifierHook，即可完成自动改图模式的训练。

示例代码

查询稀疏特征表。

from mx_rec.core.embedding import sparse_lookup

embedding = sparse_lookup(hash_table, feature, send_count, dim=None, is_train=is_train,
                          access_and_evict_config=access_and_evict_config,
                          name=hash_table.table_name + "_lookup", modify_graph=True, batch=batch)

调用改图接口。

使用TF.Session训练模式。

from mx_rec.util.initialize import get_initializer
from mx_rec.graph.modifier import modify_graph_and_start_emb_cache

if MODIFY_GRAPH_FLAG:
    logging.info("start to modifying graph")
    modify_graph_and_start_emb_cache(dump_graph=True)
else:
    start_asc_pipeline()

# train
with tf.compat.v1.Session(config=sess_config()) as sess:
    if MODIFY_GRAPH_FLAG:
        sess.run(get_initializer(True))
    else:
        sess.run(train_iterator.initializer)

# eval
def evaluate():
    if MODIFY_GRAPH_FLAG:
        sess.run(get_initializer(False))
    else:
        sess.run(eval_iterator.initializer)

使用NPUEstimator训练模式。

from mx_rec.graph.modifier import GraphModifierHook

est.train(input_fn=lambda: input_fn(), hooks=[GraphModifierHook()])

父主题： 训练功能特性流程