企业官网建设流程全解析

台州网站排名优化价格,网站页面怎么做地图,安卓开发公司,网络营销策划方案步骤很多同学训练好 MindSpore 模型后#xff0c;不知道怎么快速落地用起来#xff0c;分享 2 个我常用的轻量部署方案#xff0c;零基础也能搞定#xff5e;方案 1#xff1a;端侧本地部署#xff08;用 MindSpore Lite#xff09;适合把模型装到手机 / 嵌入式设备#xf…很多同学训练好 MindSpore 模型后不知道怎么快速落地用起来分享 2 个我常用的轻量部署方案零基础也能搞定方案 1端侧本地部署用 MindSpore Lite适合把模型装到手机 / 嵌入式设备步骤超简单先把训练好的模型转成 MindIR 格式MindSpore 统一模型格式from mindspore import save_checkpoint, load_checkpoint, load_param_into_net, export from mindspore import Tensor, dtype as mstype # 加载训练好的模型 net YourTrainedModel() param_dict load_checkpoint(your_model.ckpt) load_param_into_net(net, param_dict) # 导出为MindIR input_tensor Tensor([1,2,3], mstype.float32) # 模拟输入形状 export(net, input_tensor, file_namemodel.mindir, file_formatMINDIR)用 MindSpore Lite 转换为端侧模型去 MindSpore 官网下载 Lite 工具包执行命令转格式mindspore-lite-converter --fmkMINDIR --modelFilemodel.mindir --outputFilelite_model3.端侧推理from mindspore_lite import Model, Context # 初始化上下文 context Context() context.target [cpu] # 加载Lite模型 model Model() model.build_from_file(lite_model.ms, contextcontext) # 推理 input_data [Tensor([1,2,3], mstype.float32)] outputs model.predict(input_data) print(推理结果, outputs[0].asnumpy())方案 2Web 接口部署用 Flask 封装适合把模型做成 HTTP 接口供前端 / 其他服务调用安装依赖pip install flask mindspore写接口代码app.pyfrom flask import Flask, request, jsonify from mindspore import load_checkpoint, load_param_into_net, Tensor, dtype as mstype import numpy as np app Flask(__name__) # 加载模型启动时只加载一次 net YourTrainedModel() param_dict load_checkpoint(your_model.ckpt) load_param_into_net(net, param_dict) app.route(/predict, methods[POST]) def predict(): # 接收请求数据 data request.json.get(input) input_tensor Tensor(np.array(data), mstype.float32) # 模型推理 result net(input_tensor).asnumpy().tolist() return jsonify({result: result}) if __name__ __main__: app.run(host0.0.0.0, port5000)测试接口用 Postman 或 curl 发 POST 请求curl -X POST http://127.0.0.1:5000/predict -H Content-Type: application/json -d {input: [1,2,3]}这两个方案我日常用得最多不用复杂框架就能快速让模型 “跑起来”~