mindspore.export

查看源文件
mindspore.export(net, *inputs, file_name, file_format, **kwargs)[源代码]

将MindSpore网络模型导出为指定格式的文件。

说明

  • 当导出文件格式为AIR、ONNX时，单个Tensor的大小不能超过2GB。

  • 当 file_name 没有后缀时，系统会根据 file_format 自动添加后缀。

  • 现已支持将 mindspore.jit() 修饰的函数导出成MINDIR格式文件。

  • 当导出 mindspore.jit() 修饰的函数时，函数内不能包含有类属性参与的计算。

  • AIR格式已弃用，将被删除。请使用其他格式或者MindSpore Lite进行离线推理。

参数：

  • net (Union[Cell, function]) - MindSpore网络结构。

  • inputs (Union[Tensor, Dataset, List, Tuple, Number, Bool]) - 网络的输入，如果网络有多个输入，需要一同传入。当传入的类型为 Dataset 时，将会把数据预处理行为同步保存起来。需要手动调整batch的大小，当前仅支持获取 Dataset 的 image 列。

  • file_name (str) - 导出模型的文件名称。

  • file_format (str) - MindSpore目前支持导出”AIR”，”ONNX”和”MINDIR”格式的模型。

    • AIR - Ascend Intermediate Representation。一种Ascend模型的中间表示格式。推荐的输出文件后缀是”.air”。

    • ONNX - Open Neural Network eXchange。一种针对机器学习所设计的开放式的文件格式。推荐的输出文件后缀是”.onnx”。

    • MINDIR - MindSpore Native Intermediate Representation for Anf。一种MindSpore模型的中间表示格式。推荐的输出文件后缀是”.mindir”。

  • kwargs (dict) - 配置选项字典。

    • enc_key (byte) - 用于加密的字节类型密钥，有效长度为16、24或者32。

    • enc_mode (Union[str, function]) - 指定加密模式，当设置 enc_key 时启用。

      • 对于 ‘AIR’和 ‘ONNX’格式的模型，当前仅支持自定义加密导出。

      • 对于 ‘MINDIR’格式的模型，支持的加密选项有： ‘AES-GCM’， ‘AES-CBC’， ‘SM4-CBC’和用户自定义加密算法。默认值：”AES-GCM”。

      • 关于使用自定义加密导出的详情，请查看 教程。

    • dataset (Dataset) - 指定数据集的预处理方法，用于将数据集的预处理导入MindIR。

    • obf_config (dict) - 模型混淆配置选项字典。

      • type (str) - 混淆类型，目前支持动态混淆，即 ‘dynamic’ 。

      • obf_ratio (Union[str, float]) - 全模型算子的混淆比例，可取浮点数(0, 1]或者字符串 "small" 、 "medium" 、 "large" 。"small" 、"medium" 、"large" 分别对应于 0.1、0.3、0.6。

      • customized_func (function) - 在自定义函数模式下需要设置的Python函数，用来控制混淆结构中的选择分支走向。它的返回值需要是bool类型，且是恒定的，用户可以参考不透明谓词进行设置（请查看 动态混淆教程　中的 my_func()）。如果设置了 customized_func ，那么在使用 load 接口导入模型的时候，需要把这个函数也传入。

      • obf_random_seed (int) - 混淆随机种子，是一个取值范围为(0, 9223372036854775807]的整数，不同的随机种子会使模型混淆后的结构不同。如果用户设置了 obf_random_seed ，那么在部署混淆模型的时候，需要在调用 mindspore.nn.GraphCell 接口中传入 obf_random_seed 。需要注意的是，如果用户同时设置了 customized_func 和 obf_random_seed ，那么后一种模式将会被采用。

样例：

>>> import mindspore as ms
>>> import numpy as np
>>> from mindspore import Tensor
>>>
>>> # Define the network structure of LeNet5. Refer to
>>> # https://gitee.com/mindspore/docs/blob/r2.2/docs/mindspore/code/lenet.py
>>> net = LeNet5()
>>> input_tensor = Tensor(np.ones([1, 1, 32, 32]).astype(np.float32))
>>> ms.export(net, input_tensor, file_name='lenet', file_format='MINDIR')
教程样例：