add ohos mindspore jsapi doc

Signed-off-by: Nfangzhou12 <fangzhou12@huawei.com>

zh-cn/application-dev/ai/Readme-CN.md

+# AI
+
+- [使用MindSpore Lite引擎进行模型推理](mindspore-lite-js-guidelines.md)

zh-cn/application-dev/ai/mindspore-lite-js-guidelines.md

+# 使用MindSpore Lite引擎进行模型推理
+
+## 场景介绍
+
+MindSpore Lite是一款AI引擎，它提供了面向不同硬件设备AI模型推理的功能，目前已经在图像分类、目标识别、人脸识别、文字识别等应用中广泛使用。
+
+本文介绍使用MindSpore Lite推理引擎实现模型推理的通用开发流程。对于使用Native接口实现模型推理，具体指导请见：[使用MindSpore Lite引擎进行模型推理 ](../napi/mindspore-lite-guidelines.md)。
+
+## 基本概念
+
+在进行开发前，请先了解以下概念。
+
+**张量**：它与数组和矩阵非常相似，是MindSpore Lite网络运算中的基本数据结构。
+
+**Float16推理模式**：  Float16又称半精度，它使用16比特表示一个数。Float16推理模式表示推理的时候用半精度进行推理。 
+
+## 接口说明
+这里给出MindSpore Lite推理的通用开发流程中涉及的一些接口，具体请见下列表格。更多接口及详细内容，请见[@ohos.ai.mindSporeLite (推理能力)](../reference/apis/js-apis-mindSporeLite.md)。
+
+| 接口名        | 描述        |
+| ------------------ | ----------------- |
+|loadModelFromFile(model: string, options: Context): Promise<Model>|从路径加载模型。|
+|getInputs(): MSTensor[]|获取模型的输入。|
+|predict(inputs: MSTensor[]): Promise<MSTensor>|推理模型。|
+| getData(): ArrayBuffer                 | 获取张量的数据。 |
+| setData(inputArray: ArrayBuffer): void | 设置张量的数据。 |
+
+## 开发步骤
+
+主要流程包括模型的准备、读取、编译、推理和释放，具体开发过程及细节请见下文的开发步骤及示例。
+
+1. 模型准备。需要的模型可以直接下载，也可以通过模型转换工具获得。需要的数据从bin文件读取。
+
+   - 下载模型的格式若为`.ms`，则可以直接使用。本文以mnet.caffemodel.ms为例。
+   - 如果是第三方框架的模型，比如 TensorFlow、TensorFlow Lite、Caffe、ONNX等，可以使用[模型转换工具](https://www.mindspore.cn/lite/docs/zh-CN/r2.0/use/downloads.html#1-8-1)转换为`.ms`格式的模型文件。
+2. 创建上下文，设置线程数、设备类型等参数。
+3. 加载模型。本文从路径读入模型。
+4. 加载数据。模型执行之前需要先获取输入，再向输入的张量中填充数据。
+5. 执行推理并打印输出。使用predict接口进行模型推理。
+```js
+@State inputName: string = 'mnet_caffemodel_nhwc.bin';
+@State T_model_predict: string = 'Test_MSLiteModel_predict'
+inputBuffer: any = null;
+build() {
+  Row() {
+  Column() {
+    Text(this.T_model_predict)
+      .focusable(true)
+      .fontSize(30)
+      .fontWeight(FontWeight.Bold)
+      .onClick(async () => {
+         //1.模型准备
+         let context = globalThis.context;
+         context.resourceManager.getRawFileContent(this.inputName).then((error,buffer) => {
+           this.inputBuffer = buffer;
+           console.log('=========input bin byte length: ' + this.inputBuffer.byteLength)
+         }).catch(error) {
+           console.error('Failed to get buffer, error code: ${error.code},message:${error.message}.');
+         }
+         //2.创建上下文
+         let options = {'target': ['cpu']}
+         options.cpu.threadNum = 1;
+         options.cpu.threadAffinityMode = 0;
+         options.cpu.precisionMode = 'enforce_fp32';
+         //3.加载模型
+         let modelFile = '/data/storage/el2/base/haps/entry/files/mnet.caffemodel.ms';
+         let msLiteModel = await mindSporeLite.loadModelFromFile(modelFile);
+         //4.加载数据
+         const modelInputs = msLiteModel.getInputs();
+         modelInputs[0].setData(this.inputBuffer.buffer);
+         //5.执行推理并打印输出
+         console.log('=========MSLITE predict start=====')
+         msLiteModel.predict(modelInputs).then((modelOutputs) => {
+           let output0 = new Float32Array(modelOutputs[0].getData());
+           for (let i = 0; i < output0.length; i++) {
+               console.log(output0[i].toString());
+           }
+         })
+         console.log('=========MSLITE predict success=====')
+       })
+  }
+  .width('100%')
+  }
+  .height('100%')
+}
+```
+
+## 调测验证
+
+1. 在DevEco Studio 中连接rk3568开发板，点击Run entry，编译自己的hap，有如下显示：
+
+   ```shell
+   Launching com.example.myapptfjs
+   $ hdc uninstall com.example.myapptfjs
+   $ hdc install -r "D:\TVOS\JSAPI\MyAppTfjs\entry\build\default\outputs\default\entry-default-signed.hap"
+   $ hdc shell aa start -a EntryAbility -b com.example.myapptfjs
+   ```
+
+2. 使用hdc连接rk3568开发板，并将mnet.caffemodel.ms推送到设备中的沙盒目录。mnet_caffemodel_nhwc.bin在本地项目中的rawfile目录下。
+
+   ```shell
+   hdc -t 7001005458323933328a00bcdf423800 file send .\mnet.caffemodel.ms /data/app/el2/100/base/com.example.myapptfjs/haps/entry/files/
+   ```
+3. 在rk3568屏幕中点击Test_MSLiteModel_predict触发用例，在HiLog打印结果中得到如下结果：
+
+   ```shell                                        
+   08-27 23:25:50.278 31782-31782/? I C03d00/JSAPP: =========MSLITE predict start=====
+   08-27 23:25:51.487 31782-31782/? I C03d00/JSAPP: 0.10046602040529252
+   08-27 23:25:51.487 31782-31782/? I C03d00/JSAPP: 0.07535600662231445
+   08-27 23:25:51.487 31782-31782/? I C03d00/JSAPP: 0.06326554715633392
+   08-27 23:25:51.487 31782-31782/? I C03d00/JSAPP: 0.0015114173293113708
+   08-27 23:25:51.487 31782-31782/? I C03d00/JSAPP: -0.026745859533548355
+   08-27 23:25:51.487 31782-31782/? I C03d00/JSAPP: -0.055590517818927765
+   08-27 23:25:51.487 31782-31782/? I C03d00/JSAPP: -0.05325715243816376
+   08-27 23:25:51.487 31782-31782/? I C03d00/JSAPP: -0.04629542678594589
+   ...
+   08-27 23:25:52.881 31782-31782/? I C03d00/JSAPP: 0.23317644000053404
+   08-27 23:25:52.881 31782-31782/? I C03d00/JSAPP: 0.17999525368213654
+   08-27 23:25:50.372 31782-31782/? I C03d00/JSAPP: =========MSLITE predict success=====
+   ```