模型推理总览
MindSpore可以基于训练好的模型,在不同的硬件平台上执行推理任务。
Ascend 310是面向边缘场景的高能效高集成度AI处理器,支持对MindIR格式和AIR格式模型进行推理。
MindIR格式可由MindSpore CPU、GPU、Ascend 910导出,可运行在GPU、Ascend 910、Ascend 310上,推理前不需要手动执行模型转换,推理时需要安装MindSpore,调用MindSpore C++ API进行推理。
AIR格式仅MindSpore Ascend 910可导出,仅Ascend 310可推理,推理前需使用Ascend CANN中atc工具进行模型转换,推理时不依赖MindSpore,仅需Ascend CANN软件包。
模型文件
MindSpore支持保存两种类型的数据:训练参数和网络模型(模型中包含参数信息)。
训练参数指的是Checkpoint格式文件。
网络模型包括MindIR、AIR和ONNX三种格式文件。
下面介绍一下这几种格式的基本概念及其应用场景。
Checkpoint
采用了Protocol Buffers格式,存储了网络中所有的参数值。
一般用于训练任务中断后恢复训练,或训练后的微调(Fine Tune)任务。
MindIR
全称MindSpore IR,是MindSpore的一种基于图表示的函数式IR,定义了可扩展的图结构以及算子的IR表示。
它消除了不同后端的模型差异,一般用于跨硬件平台执行推理任务。
ONNX
全称Open Neural Network Exchange,是一种针对机器学习模型的通用表达。
一般用于不同框架间的模型迁移或在推理引擎(TensorRT)上使用。
目前MindSpore仅支持ONNX模型的导出,暂不支持加载ONNX模型进行推理。目前支持导出的模型有:Resnet50、YOLOv3_darknet53、YOLOv4、BERT。可以在ONNX Runtime上使用。
AIR
全称Ascend Intermediate Representation,是华为定义的针对机器学习所设计的开放式文件格式。
它能更好地适应华为AI处理器,一般用于Ascend 310上执行推理任务。
执行推理
按照使用环境的不同,推理可以分为以下两种方式。
本机推理
通过加载网络训练产生的Checkpoint文件,调用
model.predict
接口进行推理验证。跨平台推理
使用网络定义和Checkpoint文件,调用
export
接口导出模型文件,在不同平台执行推理,目前支持导出MindIR、ONNX和AIR(仅支持Ascend AI处理器)模型,具体操作可查看保存模型。
MindIR介绍
MindSpore通过统一IR定义了网络的逻辑结构和算子的属性,将MindIR格式的模型文件与硬件平台解耦,实现一次训练多次部署。
基本介绍
MindIR作为MindSpore的统一模型文件,同时存储了网络结构和权重参数值。同时支持部署到云端Serving和端侧Lite平台执行推理任务。
同一个MindIR文件支持多种硬件形态的部署:
云端Serving部署推理:MindSpore训练生成MindIR模型文件后,可直接发给MindSpore Serving加载,执行推理任务,而无需额外的模型转化,做到Ascend、GPU、CPU等多硬件的模型统一。
端侧Lite推理部署:MindIR可直接供Lite部署使用。同时由于端侧轻量化需求,提供了模型小型化和转换功能,支持将原始MindIR模型文件由Protocol Buffers格式转化为FlatBuffers格式存储,以及网络结构轻量化,以更好的满足端侧性能、内存等要求。
使用场景
先使用网络定义和Checkpoint文件导出MindIR模型文件,再根据不同需求执行推理任务,如在Ascend 310上执行推理任务、基于MindSpore Serving部署推理服务、端侧推理。
model.eval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/zh-CN/r1.8/api_python/mindspore/mindspore.Model.html#mindspore.Model.eval。
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#mindspore_hub.load。
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/zh-CN/r1.8/api_python/mindspore/mindspore.Model.html#mindspore.Model.predict。