From e3de99d12cf54d00e97a8ecc2ca881ad2fbc6f22 Mon Sep 17 00:00:00 2001 From: Xiaoda Date: Mon, 27 Apr 2020 17:09:02 +0800 Subject: [PATCH] update tutorials/source_zh_cn/advanced_use/mixed_precision.md. --- tutorials/source_zh_cn/advanced_use/mixed_precision.md | 4 ++-- 1 file changed, 2 insertions(+), 2 deletions(-) diff --git a/tutorials/source_zh_cn/advanced_use/mixed_precision.md b/tutorials/source_zh_cn/advanced_use/mixed_precision.md index 89e9fb09..e6988314 100644 --- a/tutorials/source_zh_cn/advanced_use/mixed_precision.md +++ b/tutorials/source_zh_cn/advanced_use/mixed_precision.md @@ -105,9 +105,9 @@ output = train_network(predict, label, scaling_sens) MindSpore还支持手动混合精度。假定在网络中只有一个Dense Layer要用FP32计算，其他Layer都用FP16计算。混合精度配置以Cell为粒度，Cell默认是FP32类型。 以下是一个手动混合精度的实现步骤： -1. 定义网络: 该步骤与自动混合精度中的步骤2类似；注意：在LeNet中的fc3算子，需要手动配置成FP32； +1. 定义网络: 该步骤与自动混合精度中的步骤2类似； -2. 配置混合精度: LeNet通过net.to_float(mstype.float16)，把该Cell及其子Cell中所有的算子都配置成FP16； +2. 配置混合精度: LeNet通过net.to_float(mstype.float16)，把该Cell及其子Cell中所有的算子都配置成FP16；然后，将LeNet中的fc3算子手动配置成FP32； 3. 使用TrainOneStepWithLossScaleCell封装网络模型和优化器。 -- GitLab