当使用MindSpore进行深度学习任务时，可以选择使用动态图模式（PyNative模式）或静态图模式（Graph模式）。

1. 动态图模式（PyNative模式）：

   • 适合脚本开发和网络调试，以及需要实时获取中间结果的值进行调试或可视化。
   • 可以使用Python编写网络模型，自由度较高。
   • 每个操作都是立即执行的，可以方便地进行调试和错误排查。
   • 无需显式编译，代码动态执行。

2. 静态图模式（Graph模式）：

   • 通过图优化和整图下沉等技术，可以获得较好的性能，适合网络固定且需要高性能的场景。
   • 静态图模式将整个计算图编译并优化后再执行，提高了执行效率。
   • 可以使用静态图编译器对计算图进行优化，减少运行时开销。
   • 适合模型训练和推理，特别是对于需要频繁执行的任务。

静态图模式的开启方式有两种：

1. 基于装饰器的方式：

   import mindspore.common.dtype as mstype
   from mindspore.common.tensor import Tensor
   from mindspore import context
   
   @context.compile_mode(0)
   def func(x, y):
       z = x + y
       return z
   
   x = Tensor(1, mstype.int32)
   y = Tensor(2, mstype.int32)
   output = func(x, y)
   

2. 基于全局context的方式：

   import mindspore.context as context
   import mindspore.ops.operations as P
   from mindspore import Tensor
   
   context.set_context(mode=context.GRAPH_MODE, device_target="CPU")
   
   x = Tensor(1, dtype=mindspore.float32)
   y = Tensor(2, dtype=mindspore.float32)
   add = P.Add()
   output = add(x, y)
   

在使用静态图模式时，需要注意以下细节：

• 静态图模式有一定的语法约束，MindSpore的静态图编译器支持Python的常用语法子集，不支持所有Python语法。
• 可以使用JitConfig配置选项来自定义编译流程，包括优化等级、模型执行方式和静态图语法支持级别。
• 静态图模式支持更多的优化和部署选项，例如自动混合精度、自动并行等。
• 使用静态图高级编程技巧可以提高编译效率和执行效率，如使用@ms_function装饰器、使用make_tuple等。