基于MindSpore Lite的模型转换

模型准备

MindSpore Lite提供的模型convertor工具可以支持主流的模型格式到MindIR的格式转换，用户需要导出对应的模型文件，推荐导出为ONNX格式。

1. 如何导出ONNX模型
   • PyTorch转ONNX，操作指导请见此处。
   • PyTorch导出ONNX模型样例如下：

     import torch
     import torchvision
     model = torchvision.models.resnet50(pretrained=True)
     # 保存模型为ONNX格式
     torch.onnx.export(model, torch.randn(1, 3, 224, 224), "resnet50.onnx")

   • TensorFlow导出ONNX模型，操作指导请见此处。
2. 如何导出PTH模型

   PyTorch模型导出时需要包含模型的结构信息，需要利用jit.trace方式完成模型的导出与保存。

   # If you are instantiating the model with *from_pretrained* you can also easily set the TorchScript flag
   model = BertModel.from_pretrained("bert-base-uncased", torchscript=True)
   
   # Creating the trace
   traced_model = torch.jit.trace(model, [tokens_tensor, segments_tensors])
   torch.jit.save(traced_model, "traced_bert.pt")

转换关键参数准备

对应的模型转换成MindIR格式，通过后端绑定的编译形式来运行以达到更好的性能（类似静态图的运行模式），所以需要提前准备以下几个重点参数。

1. 输入的inputShape，包含batch信息。

   MSLite涉及到编译优化的过程，不支持完全动态的权重模式，需要在转换时确定对应的inputShape，用于模型的格式的编译与转换，可以在netron官网进行查看，或者对于模型结构中的输入进行shape的打印，并明确输入的batch。

   一般来说，推理时指定的inputShape是和用户的业务及推理场景是紧密相关的，可以通过原始模型推理脚本或者网络模型进行判断。需要把Notebook中的模型下载到本地后，再放入netron官网中，查看其inputShape。

   如果netron中没有显示inputShape，可能由于使用了动态shape模型导致，请确保使用的是静态shape模型，静态shape模型文件导出方法请参考模型准备。

   图1 netron中查看inputShape
   
2. 精度选择。

   精度选择需要在模型转换阶段进行配置，执行converter_lite命令时通过--configFile参数指定配置文件路径，配置文件通过precision_mode参数指定精度模式。可选的参数有“enforce_fp32”，“preferred_fp32”，“enforce_fp16”，“enforce_origin”或者“preferred_optimal”，默认为“enforce_fp16”。

   [ascend_context]
   precision_mode= preferred_fp32

模型转换

在ModelArts开发环境中，通过对应的转换预置镜像，直接执行对应的转换过程，对应的转换和评估工具都已经预置了最新版本，详细介绍请见使用说明。inputShape查看方法请见转换关键参数准备。

!converter_lite --modelFile=resnet50.onnx --fmk=ONNX --outputFile=resnet50 --saveType=MINDIR --inputShape="input.1:1,3,224,224" --device=Ascend

推理应用适配

MindSpore Lite提供了JAVA/C++/Python API，进行推理业务的适配，并且在构建模型时，通过上下文的参数来确定运行时的具体配置，例如运行后端的配置等。下文以Python接口为例。

使用MindSpore Lite推理框架执行推理并使用昇腾后端主要包括以下步骤：

• 创建运行上下文：创建Context，保存需要的一些基本配置参数，用于指导模型编译和模型执行，在昇腾迁移时需要特别指定target为“Ascend”，以及对应的device_id。

  context = mslite.Context()
  context.target = ["ascend"]
  context.ascend.device_id = 0

• 模型加载与编译：执行推理之前，需要调用Model的build_from_file接口进行模型加载和模型编译。模型加载阶段将文件缓存解析成运行时的模型。模型编译阶段会耗费较多时间所以建议Model创建一次，编译一次，多次推理。

  model = mslite.Model()
  model.build_from_file("./resnet50.mindir", mslite.ModelType.MINDIR, context)

• 输入数据：编译后的模型提供了predict接口用户执行模型推理任务，Inputs输入为List Tensor，这里的Tensor是MSLite的概念，具体的列表长度和tensor类型由转换时的InputShape来确定，由于后端指定了ascend，这些tensor都是在昇腾设备的显存中，用户需要在对应的tensor中填入数据，这些数据也会被搬移到显存中，进一步对于Inputs输入的内容进行处理。

  data = convert_img(input_image)
  in_data = [np.array(data)]
  inputs = model.get_inputs()
  for i, _input in enumerate(inputs):
  _input.set_data_from_numpy(in_data[i])

• 执行推理：使用Model的predict进行模型推理，返回值为Outputs，也是List Tensor类型，具体的长度和类别由模型定义，对应的Tensor数据由于指定了ascend后端，Output的内容在显存中，通过tensor的get_data_to_numpy方法来获取，并将数据读取到内存中使用。

  outputs = model.predict(inputs)
  outputs = [output.get_data_to_numpy() for output in outputs]

  更多Python接口的高级用法与示例，请参考Python API。