[ERROR]Check StridedSliceInfo1414: When there is a mask, the input is not supported to be split
可能的错误代码如下，网络的输入是一个[2, 4]的Tensor。网络中是一个slice操作，取输入Tensor中第零维度的前一半。等价的操作类似于numpy中的x[:1, :]其中x就是我们的输入Tensor。在网络中，我们给stridedslice算子配置了(2,1)的策略。表示在第零维度进行了切分。
tensor = Tensor(ones((2, 4)))
stridedslice = ops.StridedSlice((0, 0),(1, 4), (1, 1))
class MyStridedSlice(nn.Cell):
    def __init__(self):
        super(MyStridedSlice, self).__init__()
        self.slice = stridedslice.shard(((2,1),))
    def construct(self, x):
        # x is a two-dimensional tensor
        return self.slice(x)
错误原因：
这段代码在第零维度进行了取切片操作。但是配置的策略(2,1)表示分别对输入Tensor的第零维度和第一维度进行取切片操作。根据目前MindSpore API文档中对算子切分的说明，
仅支持值为全0的mask；需要切分的维度必须全部提取；输入在strides不为1对应的维度不支持切分
被切分的维度不允许进行取切片的操作，因此需要修改策略如下：
将第零维度的策略从2改成了1。表示第零维度将会被切分成1份，也就是表明不会切分，因此策略满足算子的限制，策略检查成功。
class MyStridedSlice(nn.Cell):
    def __init__(self):
        super(MyStridedSlice, self).__init__()
        self.slice = stridedslice.shard(((1,1),))
    def construct(self, x):
        # x is a two-dimensional tensor
        return self.slice(x)
常数策略配置错误
错误信息：
[ERROR] The strategy is ..., strategy len:. is not equal to inputs len:., index:
可能的错误代码：
class MySub(nn.Cell):
    def __init__(self):
        super(MySub, self).__init__()
        self.sub = ops.Sub().shard(((1,1), (1,)))
    def construct(self, x):
        # x is a two-dimensional tensor
        return self.sub(x, 1)
有很多算子的输入可以是常量，比如加减乘除的运算、concat/gather等算子的axis，对于此类输入有常量scalar的运算，配置算子策略时需注意，不要为这些常量配置策略。如果按照如上方式为减法运算配置策略，对于常量1配置了策略（1，）则会报错。
意思是输入策略的index=1处也就是（1,）这个策略的长度是1，不等于对应的输入的长度是0，因为此时的输入是一个常数标量。
修改后代码：
正确的方式是为常量配置为空策略，或者直接不为其配置（建议此种方式）。
self.sub = ops.Sub().shard(((1,1),()))
self.sub = ops.Sub().shard(((1,1),))
未配置策略时策略检查报错
[ERROR]The strategy is ((8, 1)), shape 4 can not be divisible by strategy value 8
可能的错误代码：
class MySub(nn.Cell):
    def __init__(self):
        super(MySub, self).__init__()
        self.sub = ops.Sub()
    def construct(self, x):
        # x is a two-dimensional tensor
        return self.sub(x, 1)
这段代码在8卡环境下以半自动并行模式运行，因为没有对示例中Sub算子配置策略，Sub算子的默认策略为数据并行。假设输入的x是大小为[2, 4]的矩阵。那么在开始编译之后，就会报错说最后导致输入的维度不够切分而报错。因此这种情况下，我们需要修改策略如下（切分度要小于输入Tensor的维度）。
class MySub(nn.Cell):
    def __init__(self):
        super(MySub, self).__init__()
        self.sub = ops.Sub().shard(((2, 1), ()))
    def construct(self, x):
        # x is a two-dimensional tensor
        return self.sub(x, 1)
其中，切分策略(2, 1)表示对第一个输入Tensor的第零维切分2份，第一维切分成1份即不切分。由于ops.Sub第二个输入是一个标量无法切分，所以设置切分策略维空()。
并行脚本错误
使用8卡Ascend设备进行训练时，利用bash脚本进行启动任务，正常情况下的脚本如下所示：
#!/bin/bash
set -e
EXEC_PATH=$(pwd)
export RANK_SIZE=8
export RANK_TABLE_FILE=${EXEC_PATH}/rank_table_8pcs.json
for((i=0;i<RANK_SIZE;i++))
    rm -rf device$i
    mkdir device$i
    cp ./train.py ./device$i
    cd ./device$i
    export DEVICE_ID=$i
    export RANK_ID=$i
    echo "start training for device $i"
    env > env$i.log
    python ./train.py > train.log$i 2>&1 &
    cd ../
echo "The program launch succeed, the log is under device0/train.log0."
通常容易出现的错误的场景有：
1）使用for循环启动的训练任务数RANK_SIZE与配置文件rank_table_8pcs.json中配置的设备数不匹配，引起报错。
2）执行训练脚本的命令没有使用异步执行的方式：python ./train.py > train.log$i 2>&1，造成不同的训练任务拉起的时间不一致，一起报错。正确的方式是在执行命令后加 & 操作符，表示将命令放在子shell中异步执行，由此实现多个任务同步启动。
并行场景经常遇到Distribute Task Failed问题， 此时需要分析报错问题时出现在计算图编译阶段，还是在打印训练loss的执行阶段，这个可以缩小问题的范围。
参考实例：
MindSpore 分布式并行问题 - Distribute Task Failed。
CANN错误分析
本章节只适用于Ascend平台。CANN（Compute Architecture for Neural Networks）是华为针对AI场景推出的异构计算架构，Ascend平台的MindSpore运行在CANN之上。
在Ascend平台上运行MindSpore时，某些场景下会遇到底层CANN的报错，这类报错一般在日志中会有Ascend error occurred关键字，报错消息由错误码和错误内容组成，如下所示：
[ERROR] PROFILER(138694,ffffaa6c8480,python):2022-01-10-14:19:56.741.053 [mindspore/ccsrc/profiler/device/ascend/ascend_profiling.cc:51] ReportErrorMessage] Ascend error occurred, error message:
EK0001: Path [/ms_test/csj/csj/user_scene/profiler_chinese_中文/resnet/scripts/train/data/profiler] for [profilerResultPath] is invalid or does not exist. The Path name can only contain A-Za-z0-9-_.
其中CANN错误码由6位字符组成，如上述的EK0001，其包含三个字段：
级别（1位）
模块（1位）
错误码（4位）
其中，级别分为E、W、I三类，分别表示错误、告警、提示类；模块表示报错的CANN模块，具体如下表所示：
Err错误码
CANN模块
Err错误码
CANN模块
E10000-E19999
EE0000-EE9999
runtime
E20000-E29999
EF0000-EF9999
LxFusion
E30000-E39999
AICPU算子
EG0000-EG9999
mstune
E40000-E49999
TEFusion
EH0000-EH9999
E50000-E89999
AICORE算子
EI0000-EJ9999
HCCL&HCCP
E90000-EB9999
TBE编译前后端
EK0000-EK9999
Profiling
EC0000-EC9999
Autotune
EL0000-EL9999
Driver
ED0000-ED9999
RLTune
EZ0000-EZ9999
算子公共错误
AICORE算子：AI Core 算子是昇腾 AI 处理器计算核心的主要构成，负责执行向量和张量相关的计算密集型算子。
AICPU算子：AI CPU算子是AI CPU负责执行昇腾处理器中海思 SoC 的CPU类算子（包括控制算子、标量和向量等通用计算）。
在4位错误码中0000~8999为用户类错误，9000~9999为内部错误码。一般情况下，用户类错误用户可以根据报错消息自行修正错误，而内部错误码需要联系华为进行故障排查，可以到MindSpore社区或者昇腾社区提交issue获取帮助。常见的一些报错场景如下表所示：
常见错误类型
AICORE算子编译问题
AICORE算子编译时的错误
AICORE算子编译问题分析
AICORE算子执行问题
AICORE算子执行时的错误
AICORE算子执行问题分析
AICPU算子执行问题
AICPU算子执行时的错误
AICPU算子执行问题分析
runtime常见问题
包括输入数据异常、算子实现错误、功能限制、资源限制等
runtime常见问题分析
HCCL&HCCP常见问题
多机多卡训练时的通信常见问题，包括socket建链超时、notify wait超时、ranktable配置错误等
HCCL&HCCP常见问题
profiling常见问题
性能调优运行profiling时的错误
profiling常见问题分析
更多有关CANN错误的信息可前往昇腾CANN开发者文档，查询对应CANN版本的故障处理章节。