要求两个参数的shape完全相等，在进一步的报错信息中也有写到but now x.shape and y.shape can not broadcast, got i: -2, x.shape: [2, 5], y.shape: [3, 5]，显然，x和y的第一个维度不等，这就是问题出现的原因了。关于BroadCast，在官网做了输入限制，对输入的Tensor要求shape必须相同。，意思是abs

MindSpore1.6.0版本之前，MindSpore格式数据集生成时不支持覆盖写，当输出目录下存在同名文件时，异常信息不能准确反应错误信息，此时需要查看日志信息。如下所示，日志中第2行提示输出目录下已经存在同名mindrecord文件，需要提前删除。2. MindSpore1.6.0之后版本，定义FileWriter对象时，可以加上overwrite=True来实现覆盖写。1. 代码中添加删除

1、找到报错的用户代码行：;2、 根据日志报错信息中的关键字，缩小分析问题的范围：;3、根据该报错信息，可在MindSpore社区提问或提问题单，转由开发人员定位问题根因，并找到解决方案。

mindspore.nn.SampledSoftmaxLoss(num_sampled, num_classes, num_true=1, sampled_values=None, remove_accidental_hits=True, seed=0, reduction="none")：在类别数较多的情况下，加速训练。mindspore.nn.FocalLoss(weight=None, ga

create_dict_iterator()以及create_tuple_iterator()，可以设置num_epochs参数来控制迭代器的迭代次数，以及output_numpy参数来控制输出数据类型为numpy.ndarray或者Tensor。

用户在数据增强时会定义Python function来实现自定义的数据增强，其中在操作输入数据时必须要了解输入数据的类型才能实现正确的数据增强。2. 查看Python的函数调用栈，错误发生在corp_4_corner_1_center 函数调用的np.concatenate函数中。可以得出报错原因为函数的函数为PIL.Image对象，与期望的Numpy array不符合。2. 调用第3方函数时，需

定位报错问题的步骤：1、找到报错的用户代码行：;2、 根据日志报错信息中的关键字，缩小分析问题的范围：;3、需要重点关注变量定义、初始化的正确性。

在对神经网络进行训练之前，一般需要准备好大量、丰富的可训练数据，使模型得到充分的训练，以提升其准确率、泛化能力。数据的来源是多样的，在准备训练数据时，有可能从本地读取数据，也可能远端服务器拉取数据。当读取到的数据丰富度不够时，可能会使用一些通用的数据增强方法对数据的样式和种类进行扩展，或者根据具体的需要对数据进行预处理计算（如token to id等），以满足神经网络的输入需要。

报错表示无法加载build_dataset_loader函数。从报错信息给定的位置查找发现__init__.py文件中没有添加这个函数。只需在__init__.py文件中添加build_dataset_loader函数即可。硬件环境(Ascend/GPU/CPU): Ascend。执行模式（PyNative/ Graph）: 不限。MindSpore版本: 2.1。

硬件环境(Ascend/GPU/CPU): Ascend/GPU/CPU。分析配置文件可知，此时开启了profile功能，当前不支持两者同时使用。执行模式（PyNative/ Graph）: 不限。MindSpore版本: 2.1。不同时使用这两个功能。