加载Checkpoint在线推理

Ascend 推理应用

使用model.eval接口进行模型验证

模型已保存在本地

首先构建模型，然后使用mindspore模块的load_checkpoint和load_param_into_net从本地加载模型与参数，传入验证数据集后即可进行模型推理，验证数据集的处理方式与训练数据集相同。

network = LeNet5(cfg.num_classes)
net_loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction="mean")
model = Model(network, net_loss, metrics={"Accuracy": Accuracy()})

print("============== Starting Testing ==============")
param_dict = load_checkpoint(args.ckpt_path)
load_param_into_net(network, param_dict)
dataset = create_dataset(os.path.join(args.data_path, "test"),
                            cfg.batch_size,)
acc = model.eval(dataset, dataset_sink_mode=args.dataset_sink_mode)
print("============== {} ==============".format(acc))

其中，
model.eval为模型验证接口，对应接口说明：https://www.mindspore.cn/docs/api/zh-CN/r1.6/api_python/mindspore.html#mindspore.Model.eval。

推理样例代码：https://gitee.com/mindspore/models/blob/r1.6/official/cv/lenet/eval.py。

使用MindSpore Hub从华为云加载模型

首先构建模型，然后使用mindspore_hub.load从云端加载模型参数，传入验证数据集后即可进行推理，验证数据集的处理方式与训练数据集相同。

model_uid = "mindspore/ascend/0.7/googlenet_v1_cifar10"  # using GoogleNet as an example.
network = mindspore_hub.load(model_uid, num_classes=10)
net_loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction="mean")
model = Model(network, net_loss, metrics={"Accuracy": Accuracy()})

print("============== Starting Testing ==============")
dataset = create_dataset(os.path.join(args.data_path, "test"),
                            cfg.batch_size,)
acc = model.eval(dataset, dataset_sink_mode=args.dataset_sink_mode)
print("============== {} ==============".format(acc))

其中，
mindspore_hub.load为加载模型参数接口，对应接口说明：https://www.mindspore.cn/hub/docs/zh-CN/r1.6/hub.html#module-mindspore_hub。

使用model.predict接口进行推理操作

model.predict(input_data)

其中，
model.predict为推理接口，对应接口说明：https://www.mindspore.cn/docs/api/zh-CN/r1.6/api_python/mindspore.html#mindspore.Model.predict。