使用Java接口执行云侧推理

概述

通过MindSpore Lite模型转换工具转换成.mindir模型后，即可在Runtime中执行模型的推理流程。本教程介绍如何使用JAVA接口执行云侧推理。

相比C++ API，Java API可以直接在Java Class中调用，用户无需实现JNI层的相关代码，具有更好的便捷性。运行MindSpore Lite推理框架主要包括以下步骤：

模型读取：通过MindSpore导出MindIR模型，或者由模型转换工具转换获得MindIR模型。
创建配置上下文：创建配置上下文MSContext，保存需要的一些基本配置参数，用于指导模型编译和模型执行，包括设备类型、线程数、绑核模式和使能fp16混合精度推理。
模型创建、加载与编译：执行推理之前，需要调用Model的build接口进行模型加载和模型编译，目前支持加载文件和MappedByteBuffer两种方式。模型加载阶段将文件或者buffer解析成运行时的模型。
输入数据：模型执行之前需要向输入Tensor中填充数据。
执行推理：使用Model的predict方法进行模型推理。
获得输出：图执行结束之后，可以通过输出Tensor得到推理结果。
释放内存：无需使用MindSpore Lite推理框架的时候，需要释放已创建的Model。

引用MindSpore Lite Java库

Linux 项目引用JAR库

采用Maven作为构建工具时，可将mindspore-lite-java.jar拷贝到根目录下的lib目录，并在pom.xml中增加jar包的依赖。

<dependencies>
    <dependency>
        <groupId>com.mindspore.lite</groupId>
        <artifactId>mindspore-lite-java</artifactId>
        <version>1.0</version>
        <scope>system</scope>
        <systemPath>${project.basedir}/lib/mindspore-lite-java.jar</systemPath>
    </dependency>
</dependencies>

模型路径

通过MindSpore Lite进行模型推理时，需要获取文件系统中由模型转换工具转换得到的.mindir模型文件的路径。

创建配置上下文

创建配置上下文MSContext，保存会话所需的一些基本配置参数，用于指导图编译和图执行。通过init接口配置线程数，线程亲和性和是否开启异构并行推理。MindSpore Lite内置一个进程共享的线程池，推理时通过threadNum指定线程池的最大线程数，默认为2线程。

MindSpore Lite推理时的后端可调用AddDeviceInfo接口中的deviceType指定，目前支持CPU、GPU和Ascend。在进行图编译时，会根据主选后端进行算子选型调度。如果后端支持float16，可通过设置isEnableFloat16为true后，优先使用float16算子。

配置使用CPU后端

当需要执行的后端为CPU时，MSContext初始化后需要在addDeviceInfo中DeviceType.DT_CPU，同时CPU支持设置绑核模式以及是否优先使用float16算子。

下面演示如何创建CPU后端，同时设定线程数为2、CPU绑核模式为大核优先并且使能float16推理，关闭并行：

MSContext context = new MSContext();
context.init(2, CpuBindMode.HIGHER_CPU);
context.addDeviceInfo(DeviceType.DT_CPU, true);

配置使用GPU后端

当需要执行的后端为GPU时，MSContext创建后需要在addDeviceInfo中添加GPUDeviceInfo。如果使能float16推理，GPU会优先使用float16算子。

下面代码演示了如何创建GPU推理后端：

MSContext context = new MSContext();
context.init();
context.addDeviceInfo(DeviceType.DT_GPU, true);

配置使用Ascend后端

当需要执行的后端为Ascend时，MSContext初始化后需要在addDeviceInfo中DeviceType.DT_ASCEND。

下面演示如何创建Ascend后端：

MSContext context = new MSContext();
context.init();
context.addDeviceInfo(DeviceType.DT_ASCEND, false, 0);

模型创建加载与编译

使用MindSpore Lite执行推理时，Model是推理的主入口，通过Model可以实现模型加载、模型编译和模型执行。采用上一步创建得到的MSContext，调用Model的复合build接口来实现模型加载与模型编译。

下面演示了Model创建、加载与编译的过程：

Model model = new Model();
boolean ret = model.build(filePath, ModelType.MT_MINDIR, msContext);

输入数据

MindSpore Lite Java接口提供getInputsByTensorName以及getInputs两种方法获得输入Tensor，同时支持byte[]或者ByteBuffer两种类型的数据，通过setData设置输入Tensor的数据。

使用getInputsByTensorName方法，根据模型输入Tensor的名称来获取模型输入Tensor中连接到输入节点的Tensor，下面演示如何调用getInputsByTensorName获得输入Tensor并填充数据。
```
MSTensor inputTensor = model.getInputsByTensorName("2031_2030_1_construct_wrapper:x");
// Set Input Data.
inputTensor.setData(inputData);
```
使用getInputs方法，直接获取所有的模型输入Tensor的vector，下面演示如何调用getInputs获得输入Tensor并填充数据。
```
List<MSTensor> inputs = model.getInputs();
MSTensor inputTensor = inputs.get(0);
// Set Input Data.
inputTensor.setData(inputData);
```

执行推理

MindSpore Lite在模型编译以后，即可调用Model的predict方法执行模型推理。

下面示例代码演示调用predict执行推理。

// Run graph to infer results.
boolean ret = model.predict();

获得输出

MindSpore Lite在执行完推理后，可以通过输出Tensor得到推理结果。MindSpore Lite提供三种方法来获取模型的输出MSTensor，同时支持getByteData、getFloatData、getIntData、getLongData四种方法获得输出数据。

使用getOutputs方法，直接获取所有的模型输出MSTensor的列表。下面演示如何调用getOutputs获得输出Tensor列表。
```
List<MSTensor> outTensors = model.getOutputs();
```
使用getOutputsByNodeName方法，根据模型输出节点的名称来获取模型输出MSTensor中连接到该节点的Tensor的vector。下面演示如何调用getOutputByTensorName获得输出Tensor。
```
MSTensor outTensor = model.getOutputsByNodeName("Default/head-MobileNetV2Head/Softmax-op204");
// Apply infer results.
...
```
使用getOutputByTensorName方法，根据模型输出Tensor的名称来获取对应的模型输出MSTensor。下面演示如何调用getOutputByTensorName获得输出Tensor。
```
MSTensor outTensor = model.getOutputByTensorName("Default/head-MobileNetV2Head/Softmax-op204");
// Apply infer results.
...
```

释放内存

无需使用MindSpore Lite推理框架时，需要释放已经创建的Model，下列演示如何在程序结束前进行内存释放。

model.free();

高级用法

输入维度Resize

使用MindSpore Lite进行推理时，如果需要对输入的shape进行Resize，则可以在模型编译build之后调用Model的Resize接口，对输入的Tensor重新设置shape。

某些网络是不支持可变维度，会提示错误信息后异常退出，比如，模型中有MatMul算子，并且MatMul的一个输入Tensor是权重，另一个输入Tensor是输入时，调用可变维度接口会导致输入Tensor和权重Tensor的Shape不匹配，最终导致推理失败。

下面演示如何对MindSpore Lite的输入Tensor进行Resize：

List<MSTensor> inputs = model.getInputs();
int[][] dims = {{1, 300, 300, 3}};
bool ret = model.resize(inputs, dims);

查看日志

当推理出现异常的时候，可以通过查看日志信息来定位问题。

获取版本号

MindSpore Lite提供了Version方法可以获取版本号，包含在com.mindspore.lite.config.Version头文件中，调用该方法可以得到当前MindSpore Lite的版本号。

下面演示如何获取MindSpore Lite的版本号：

import com.mindspore.lite.config.Version;
String version = Version.version();