未验证 提交 de94a44f 编写于 作者: O openharmony_ci 提交者: Gitee

!18882 新增MindSpore离线模型转换和推理使用指导

Merge pull request !18882 from zhuguodong/master
......@@ -6,4 +6,5 @@
- [Rawfile开发指导](rawfile-guidelines.md)
- [NativeWindow开发指导](native-window-guidelines.md)
- [使用MindSpore Lite引擎进行模型推理](mindspore-lite-guidelines.md)
- [使用MindSpore Lite进行离线模型的转换及推理](mindspore-lite-offline-model-guidelines.md)
- [Neural Network Runtime对接AI推理框架开发指导](neural-network-runtime-guidelines.md)
\ No newline at end of file
# 使用MindSpore Lite进行离线模型的转换及推理
## 基本概念
- MindSpore Lite:OpenHarmony内置AI推理引擎,提供深度学习模型的推理部署能力。
- Neural Network Runtime:神经网络运行时,简称NNRt。作为中间桥梁,连通上层 AI 推理框架和底层加速芯片,实现 AI 模型的跨芯片推理计算。
- 离线模型:使用硬件厂商的离线模型转换工具转换得到的模型,由硬件厂商负责解析和推理。
## 场景介绍
常规的MindSpore Lite AI模型部署流程是:
- 开发者首先将三方格式模型(如:ONNX、CAFFE等)用MindSpore Lite模型转换工具,生成.ms模型;
- 然后在代码中调用MindSpore Lite推理引擎接口,执行模型推理。通过指定推理设备为NNRt,可利用系统中的AI硬件加速推理。
使用常规的MindSpore Lite + NNRt推理,初始阶段的动态构图会存在一定的模型加载时延。
当部署场景对加载时延要求严格时,开发者希望进一步降低加载时延,可采用另一种部署方案——基于离线模型的推理:
- 首先使用AI硬件厂商提供的离线转换工具,预先编译好一个离线模型。
- 然后使用MindSpore Lite转换工具,将离线模型整体作为黑盒,封装到.ms模型中。
- 最后将.ms模型输入给MindSpore Lite,执行推理。
执行推理时,MindSpore Lite会直接将离线模型传给接入NNRt的 AI 硬件,无需在线构图即可加载,大幅降低模型加载时延,并且可携带额外的硬件特定信息,协助 AI 硬件推理。
本文介绍离线模型推理及转换的详细流程。
## 约束与限制
- 离线模型仅支持在NNRt后端推理,硬件厂商需接入NNRt且支持离线模型推理。
## 离线模型转换
### 1、编译转换工具
[MindSpore Lite源码](https://gitee.com/openharmony/third_party_mindspore)。此代码仓采用 “压缩包 + 补丁”的方式管理源码。首先执行以下命令解压源码,打入补丁:
```bash
cd mindspore
python3 build_helper.py --in_zip_path=./mindspore-v1.8.1.zip --patch_dir=./patches/ --out_src_path=./mindspore-src
```
执行完毕,MindSpore Lite完整源码位于:`mindspore-src/source/`
执行编译:
```bash
cd mindspore-src/source/
bash build.sh -I x86_64 -j 8
```
编译完成后,可从源码根目录的`output/`子目录取得MindSpore Lite发布件。
### 2、编写转换工具扩展配置文件
离线模型本身作为黑盒,转换工具无法解析它得到模型输入输出张量信息,因此需要用户在转换工具的扩展配置文件手动配置。转换工具即可根据此配置,生成封装离线模型的.ms模型文件。
扩展配置样例如下:
- 首行[third_party_model]为固定关键词,表明此节为离线模型配置。
- 下方依次是模型输入输出张量的名称、数据类型、形状、内存格式等信息,每个字段独占一行,先后顺序不限,采用键值对格式。
- 除数据类型和形状必选外,其它为可选配置。
- 最后,还提供扩展参数字段,可将离线模型所需的自定义配置用键值对的形式一同封装到.ms文件,在推理时由NNRt传递给AI硬件使用。
```text
[third_party_model]
input_names=in_0;in_1
input_dtypes=float32;float32
input_shapes=8,256,256;8,256,256,3
input_formats=NCHW;NCHW
output_names=out_0
output_dtypes=float32
output_shapes=8,64
output_formats=NCHW
extended_parameters=key_foo:value_foo;key_bar:value_bar
```
字段说明:
- `input_names`:[可选]模型输入名称,格式:字符串,多个输入用`;`间隔。
- `input_dtypes`:[必选]模型输入数据类型,格式:类型,多个输入用`;`间隔。
- `input_shapes`:[必选]模型输入形状,格式:整数数组,多个输入用`;`间隔。
- `input_formats`:[可选]模型输入内存布局,格式:字符串,多个输入用`;`间隔,默认值NHWC。
- `output_names`:[可选]模型输入名称,格式:字符串,多个输入用`;`间隔。
- `output_dtypes`:[必选]模型输出数据类型,格式:类型,多个输出用`;`间隔。
- `output_shapes`:[必选]模型输出形状,格式:整数数组,多个输出用`;`间隔。
- `output_formats`:[可选]模型输出内存布局,格式:字符串,多个输入用`;`间隔,默认值NHWC。
- `extended_parameters`:[可选]推理硬件自定义配置,字符串键值对格式,会通过NNRt后端传给硬件。
### 3、转换离线模型
解压上述步骤1编出的压缩包,解压后,转换工具位于`tools/converter/converter/`,进入该目录后执行:
```bash
export LD_LIBRARY_PATH=${PWD}/../lib
./converter_lite --fmk=THIRDPARTY --modelFile=/path/to/your_model --configFile=/path/to/your_config --outputFile=/path/to/output_model
```
即可完成离线模型转换。
转换参数说明:
- `--fmk`:输入模型的原始格式。`THIRDPARTY`表示输入为离线模型。
- `--modelFile`: 输入模型的路径。
- `--configFile`:扩展功能配置文件路径。此处用于离线模型的模型信息配置。
- `--outputFile`:输出模型的路径。无需加后缀,可自动生成.ms后缀。
> **说明:**
>
> 当fmk指定为`THIRDPARTY`,执行离线模型转换,仅以上四个参数和扩展配置文件生效,其它参数配置无效。
## 离线模型推理
离线模型推理要求推理上下文只能添加NNRt设备,除此之外,与常规的.ms模型推理流程没有区别。
详细的MindSpore Lite推理流程请参考:[使用MindSpore Lite引擎进行模型推理](./mindspore-lite-guidelines.md)
Markdown is supported
0% .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑!
想要评论请 注册