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 。

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)。

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。

   @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 syscontext = globalThis.context;
        syscontext.resourceManager.getRawFileContent(this.inputName).then((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 context: mindSporeLite.Context = {};
        context.target = ['cpu'];
        context.cpu = {}
        context.cpu.threadNum = 1;
        context.cpu.threadAffinityMode = 0;
        context.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, context);
        //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：

   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

1. 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。

   hdc -t 7001005458323933328a00bcdf423800 file send .\mnet.caffemodel.ms /data/app/el2/100/base/com.example.myapptfjs/haps/entry/files/

1. 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：

   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=====

你可能感兴趣的鸿蒙文章

harmony 鸿蒙AI