推理模型总览

Ascend GPU CPU 推理应用

查看源文件

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。

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。

  1. 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,具体操作可查看加载Checkpoint在线推理

  2. 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。

  1. 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。

  2. 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

MindIR支持的网络列表

AdvancedEast AlexNet AutoDis BERT BGCF CenterFace
CNN CNN&CTC CRNN CSPDarkNet53 CTPN DeepFM
DeepLabV3 DeepText DenseNet121 DPN DS-CNN FaceAttribute
FaceDetection FaceQualityAssessment FaceRecognition FaceRecognitionForTracking Faster R-CNN FasterRcnn-ResNet50
FasterRcnn-ResNet101 FasterRcnn-ResNet152 FCN FCN-4 GAT GCN
GoogLeNet GRU hardnet InceptionV3 InceptionV4 LeNet
LSTM-SegtimentNet Mask R-CNN MaskRCNN_MobileNetV1 MASS MobileNetV1 MobileNetV2
NCF PSENet ResNet18 ResNet50 ResNet101 ResNet152
ResNetV2-50 ResNetV2-101 ResNetV2-152 SE-Net SSD-MobileNetV2 ResNext50
ResNext101 RetinaNet Seq2Seq(Attention) SE-ResNet50 ShuffleNetV1 SimplePoseNet
SqueezeNet SSD SSD-GhostNet SSD-MobileNetV1-FPN SSD-MobileNetV2-FPNlite SSD-ResNet50
SSD-ResNet50-FPN SSD-VGG16 TextCNN TextRCNN TinyBert TinyDarknet
Transformer UNet++ UNet2D VGG16 WarpCTC Wide&Deep
WGAN Xception YOLOv3-DarkNet53 YOLOv3-ResNet18 YOLOv4 YOLOv5

除了上述表格中的网络外,用户自定义网络中使用到的算子,如果能被导出到MindIR模型文件中,也能使用该MindIR模型文件执行推理任务。