网站页面设计效果图网络推广员一个月多少钱

引言

Mindspore 是一款华为开发开源的AI推理框架，而Mindspore Lite则是华为为了适配在移动终端设备上运行专门定制的版本，使得我们可以在OpenHarmony快速实现模型加载和推理等功能，模型加载则是利用 Mindspore Lite 进行推理任务的首要步骤，它犹如打开智能应用大门的钥匙，精准且高效地将预训练模型导入到运行环境中，为后续的推理计算奠定坚实基础。无论是在移动端的智能应用开发，还是边缘计算设备的智能任务处理，Mindspore Lite 加载模型的能力都直接影响着整个系统的运行效率与智能化表现，值得我们深入探究其原理、流程与优化策略，接下来就重点解读核心API 及其流程。

本文非Mindspore入门科普文，需要具备一定的Mindspore 知识。

一、模型加载概述

加载的本质就是把模型从文件Buffer 转为Mindspore 后续推理时所需要的模型的相关对象。
CPU 方式直接加载的话就是直接通过本地设备的CPU完成这些工作，这些作为推理的输入直接使用；而通过NNRT 的话就是在CPU完成这第一步加载后，再把转换完成后的输出作为输入通过Delegate 模式再次进行转换，转为NNRT 所需要的模型的相关对象，再把这些NNRT的对象通过NNRT传递到NNRT HOST 进而传递到NPU中进行运算。

二、核心数据结构

Model 由LiteGraph 呈现，LiteGraph 保存着所有的Tensor列表、Node列表、SubGrapha列表和输出、输入的索引，LiteGraph 包含着Node、和SubGrapha，相当于所有的子结构信息都保存到LiteGraph中，每个子结构只保存各自的索引数据，计算后再通过索引从LiteGraph中获取得到对应的数据。图由多个Node构成，每一个Node 承担一个运算操作。比如一个计算图有两个节点NodeA（执行加法操作）和NodeB（执行乘法操作，输入来自NodeA的输出），NodeA 输出张量生成的索引将被记录在output_indices_ 表示这个节点的输出Tensor,NodeB 就使用NodeA 的输出索引作为输入以便获取计算所需的数据。

struct MS_API LiteGraph {struct Node {std::string name_;std::string op_type_;int node_type_;const void *primitive_ = nullptr;std::shared_ptr<void> base_operator_ = nullptr;std::vector<uint32_t> input_indices_;std::vector<uint32_t> output_indices_;int quant_type_;int device_type_ = -1;};struct SubGraph {std::string name_;std::vector<uint32_t> input_indices_;std::vector<uint32_t> output_indices_;std::vector<uint32_t> node_indices_;std::vector<uint32_t> tensor_indices_;};std::string name_;std::string version_;std::vector<uint32_t> input_indices_;std::vector<uint32_t> output_indices_;std::vector<mindspore::schema::Tensor *> all_tensors_;std::vector<Node *> all_nodes_;std::vector<SubGraph *> sub_graphs_;std::string ToString() const;
};struct MS_API Model {LiteGraph graph_;char *buf = nullptr;size_t buf_size_ = 0;LiteModelType model_type_ = mindspore::lite::ModelType_MSLite;void *deobf = nullptr;/// \brief Static method to create a Model pointer.static Model *Import(const char *model_buf, size_t size);/// \brief Static method to create a Model pointer.static Model *Import(const char *filename);/// \brief  method to export model to file.static int Export(Model *model, const char *filename);/// \brief  method to export model to buffer.static int Export(Model *model, char *buf, size_t *size);/// \brief Free meta graph temporary buffervirtual void Free() = 0;/// \brief Free all temporary buffer.EG: nodes in the model.virtual void Destroy() = 0;/// \brief Model destruct, free all memoryvirtual ~Model() = default;
};
Struct LiteGraph{struct Node {std::string name_;std::string op_type_;int node_type_;const void *primitive_ = nullptr;std::shared_ptr<void> base_operator_ = nullptr;std::vector<uint32_t> input_indices_;std::vector<uint32_t> output_indices_;int quant_type_;int device_type_ = -1;};struct SubGraph {std::string name_;std::vector<uint32_t> input_indices_;std::vector<uint32_t> output_indices_;std::vector<uint32_t> node_indices_;std::vector<uint32_t> tensor_indices_;};std::string name_;std::string version_;std::vector<uint32_t> input_indices_;std::vector<uint32_t> output_indices_;std::vector<mindspore::schema::Tensor *> all_tensors_;std::vector<Node *> all_nodes_;std::vector<SubGraph *> sub_graphs_;std::string ToString() const;
}
class MS_API LiteModel : public Model {...
}

三、模型加载核心流程

未完待续…