体验Java极简并发推理Demo

概述

本教程提供了MindSpore Lite执行并发推理的示例程序，通过随机输入、执行推理、打印推理结果的方式，演示了利用MindSpore Lite Java API进行端侧并发推理的基本流程，用户能够快速了解MindSpore Lite执行并发推理相关Java API的使用。本教程通过随机生成的数据作为输入数据，执行MobileNetV2模型的推理，打印获得输出数据。相关代码放置在mindspore/lite/examples/quick_start_server_inference_java目录。

使用MindSpore Lite 推理主要包括以下步骤：

模型加载：从文件系统中读取由模型转换工具转换得到的.ms模型。
创建配置选项：创建配置选项RunnerConfig，保存并发推理所需的一些基本配置参数，用于指导并发量以及图编译和图执行。主要包括MSContext：配置上下文、WorkersNum：并发模型数量。
初始化：在执行并发推理前，需要调用ModelParallelRunner的init接口进行并发推理的初始化，主要进行模型读取，创建并发，以及子图切分、算子选型调度。这部分会耗费较多时间，所以建议init初始化一次，多次执行并发推理。
输入数据：图执行之前需要向输入Tensor中填充数据。
执行推理：使用ModelParallelRunner的predict进行并发推理。
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ModelParallelRunner。

构建与运行

环境要求
- 系统环境：Linux x86_64，推荐使用Ubuntu 18.04.02LTS
- 编译依赖：
  - Git >= 2.28.0
  - Maven >= 3.3
  - OpenJDK 1.8 到 1.15
编译构建

在mindspore/lite/examples/quick_start_server_inference_java目录下执行build脚本，将自动下载MindSpore Lite推理框架库以及文模型文件并编译Demo。
```
bash build.sh
```
若MindSpore Lite推理框架下载失败，请手动下载硬件平台为CPU、操作系统为Ubuntu-x64的MindSpore Lite 框架mindspore-lite-{version}-linux-x64.tar.gz，解压后将runtime/lib以及runtime/third_party目录下的所有so和jar拷贝到mindspore/lite/examples/quick_start_server_inference_java/lib目录。

若MobileNetV2模型下载失败，请手动下载相关模型文件mobilenetv2.ms，并将其拷贝到mindspore/lite/examples/quick_start_server_inference_java/model/目录。

通过手动下载并且将文件放到指定位置后，需要再次执行build.sh脚本才能完成编译构建。

执行推理

编译构建后，进入mindspore/lite/examples/quick_start_server_inference_java/target目录，并执行以下命令，体验MindSpore Lite推理MobileNetV2模型。

export LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:../lib/
java -Djava.library.path=../lib/ -classpath .:./quick_start_server_inference_java.jar:../lib/mindspore-lite-java.jar  com.mindspore.lite.demo.Main ../model/mobilenetv2.ms

执行完成后将能得到如下结果:

========== model parallel runner predict success ==========

初始化

模型编译主要包括创建配置上下文、编译等步骤。

private static ModelParallelRunner runner;
private static List<MSTensor> inputs;
private static List<MSTensor> outputs;

// use default param init context
MSContext context = new MSContext();
context.init(1,0);
boolean ret = context.addDeviceInfo(DeviceType.DT_CPU, false, 0);
if (!ret) {
    System.err.println("init context failed");
    context.free();
    return ;
}

// init runner config
RunnerConfig config = new RunnerConfig();
config.init(context);
config.setWorkersNum(2);

// init ModelParallelRunner
ModelParallelRunner runner = new ModelParallelRunner();
ret = runner.init(modelPath, config);
if (!ret) {
    System.err.println("ModelParallelRunner init failed.");
    runner.free();
    return;
}

模型推理

模型推理主要包括输入数据、执行推理、获得输出等步骤，其中本示例中的输入数据是通过随机数据构造生成，最后将执行推理后的输出结果打印出来。

// init input tensor
inputs = new ArrayList<>();
MSTensor input = runner.getInputs().get(0);
if (input.getDataType() != DataType.kNumberTypeFloat32) {
    System.err.println("Input tensor data type is not float, the data type is " + input.getDataType());
    return;
}
// Generator Random Data.
int elementNums = input.elementsNum();
float[] randomData = generateArray(elementNums);
ByteBuffer inputData = floatArrayToByteBuffer(randomData);
// create input MSTensor
MSTensor inputTensor = MSTensor.createTensor(input.tensorName(), DataType.kNumberTypeFloat32,input.getShape(), inputData);
inputs.add(inputTensor);

// init output
outputs = new ArrayList<>();

// runner do predict
ret = runner.predict(inputs,outputs);
if (!ret) {
    System.err.println("MindSpore Lite predict failed.");
    freeTensor();
    runner.free();
    return;
}
System.out.println("========== model parallel runner predict success ==========");

内存释放

无需使用MindSpore Lite推理框架时，需要释放已经创建的model。

private static void freeTensor(){
    for (int i = 0; i < inputs.size(); i++) {
        inputs.get(i).free();
    }
    for (int i = 0; i < outputs.size(); i++) {
        outputs.get(i).free();
    }
}
freeTensor();
runner.free();