在手机或IoT设备上使用MindSpore

筛选条件 清除所有条件

环境

Windows Linux Android IoT

用户

初级 中级 高级

专用芯片

NPU

阶段

全流程 环境准备 数据准备 模型导出 模型转换 模型加载 模型训练 模型调优 模型编译 模型代码生成 推理应用 基准测试 静态库裁剪

编程语言

C++ Java

---

体验MindSpore Lite C++ 极简Demo

本教程提供了MindSpore Lite执行推理的示例程序，通过随机输入、执行推理、打印推理结果的方式，演示了C++进行端侧推理的基本流程，用户能够快速了解MindSpore Lite执行推理相关API的使用。

体验MindSpore Lite Java极简Demo

本教程提供了MindSpore Lite执行推理的示例程序，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进行端侧推理的基本流程，用户能够快速了解MindSpore Lite执行推理相关Java API的使用。

实现一个图像分类应用（C++）

本教程从端侧Android图像分类demo入手，帮助用户了解MindSpore Lite应用工程的构建、依赖项配置以及相关API的使用。

实现一个图像分割应用（Java）

本教程基于MindSpore团队提供的Android“端侧图像分割”示例程序，演示了端侧部署的流程。

使用CodeGen编译一个MNIST分类模型

本教程介绍如何使用MindSpore Lite代码生成工具Codegen，快速生成以及部署轻量化推理代码。

训练一个LeNet模型

本教程基于LeNet训练示例代码，演示MindSpore Lite训练功能的使用。

下载MindSpore Lite

本教程介绍如何快速下载MindSpore Lite。

编译MindSpore Lite

本章节介绍如何快速编译出MindSpore Lite。

推理模型转换

MindSpore Lite提供离线转换模型功能的工具，支持多种类型的模型转换，转换后的模型可用于推理。

代码生成工具

MindSpore Lite提供代码生成工具codegen，将运行时编译、解释计算图，移至离线编译阶段。仅保留推理所必须的信息，生成极简的推理代码。

优化模型(训练后量化)

对于已经训练好的float32模型，通过训练后量化将其转为int8，不仅能减小模型大小，而且能显著提高推理性能。本教程介绍了模型训练后量化的具体方法。

预处理图像数据

本教程介绍如何通过创建LiteMat对象，在推理前对图像数据进行处理，达到模型推理所需要的数据格式要求。

使用Runtime执行推理（C++）

通过MindSpore Lite模型转换后，需在Runtime中完成模型的推理执行流程。本教程介绍如何使用Java接口编写推理代码。

使用Runtime执行推理（Java）

通过MindSpore Lite模型转换后，需在Runtime中完成模型的推理执行流程。本教程介绍如何使用C++接口编写推理代码。

集成NPU使用说明

该教程介绍了集成NPU的使用说明，包含了使用步骤、芯片支持和算子支持。

使用Benchmark进行基准测试

转换模型后执行推理前，你可以使用Benchmark工具对MindSpore Lite模型进行基准测试。它不仅可以对MindSpore Lite模型前向推理执行耗时进行定量分析（性能），还可以通过指定模型输出进行可对比的误差分析（精度）。

使用裁剪工具降低库文件大小

MindSpore Lite提供对Runtime的libmindspore-lite.a静态库裁剪工具，能够筛选出ms模型中存在的算子，对静态库文件进行裁剪，有效降低库文件大小。

训练模型转换

本教程介绍了如何进行训练模型的转换。

使用Runtime执行训练 (C++)

通过MindSpore Lite模型转换后，需在Runtime中完成模型的训练执行流程。本教程介绍如何使用C++接口编写训练代码。

使用benchmark_train进行基准测试

与benchmark工具类似，MindSpore端侧训练为你提供了benchmark_train工具对训练后的模型进行基准测试。它不仅可以对模型前向推理执行耗时进行定量分析（性能），还可以通过指定模型输出进行可对比的误差分析（精度）。