推理模型总览

Linux Ascend GPU CPU 推理应用 初级 中级 高级

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。

  • 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,具体操作可查看使用Checkpoint格式文件执行推理

  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

AlexNet BERT BGCF
CenterFace CNN&CTC DeepLabV3
DenseNet121 Faster R-CNN GAT
GCN GoogLeNet LeNet
MobileNetV2 PSENet ResNet
ResNeXt InceptionV3 SqueezeNet
SSD TinyBert
UNet2D VGG16 Wide&Deep
YOLOv3 YOLOv4