MindSpore Lite 端侧推理的 Tensor、动态 Shape 与异构执行链【鸿蒙心迹】

同一个模型，为什么开发机跑 20ms，放到手机上就变成 100ms？

做端侧 AI 的时候，最开始的思路很简单：模型文件拿过来，加载了，Predict 一下不就行了？

结果真放到手机上跑，发现不对：开发机上 20ms 的模型，手机上跑了 100ms。甚至有的模型直接跑不起来。

这时候才意识到：端侧推理不是"把模型文件加载了就完事"。模型文件只是个静态文件，真正跑起来的时候，有一大堆东西要处理：内存、Shape、算子调度、异构执行。

一、先想清楚：Predict() 到底做了什么

先看一段最普通的推理代码：

OH_AI_Model *model;
OH_AI_Tensor *input;
OH_AI_Tensor *output;

OH_AI_ModelPredict(model, &input, 1, &output, 1);

这一行调用，看起来就是跑一次推理。但实际上，这一行背后做了多少事？

这一行 Predict()，背后是一整套执行引擎在跑。

二、模型文件和可执行模型有什么区别

很多人以为：模型文件加载了，就能直接跑。不对。

模型文件是静态的，存着算子结构、权重这些信息。但它还不能直接在 CPU/NPU 上跑。

要先 Build：把模型文件编译成当前硬件可执行的格式。

Build 不是瞬间完成的，它要做很多优化：算子融合、内存规划、异构调度。Build 一次，之后每次推理就快了。

这段代码解决什么问题： 加载并 Build 模型。
文件： ai/InferenceEngine.cpp
用途： 端侧模型推理
接入位置： AI 推理模块初始化

// 创建 Context
OH_AI_Context *context = OH_AI_ContextCreate();

// 设置线程数和绑核
OH_AI_ContextSetThreadNum(context, 4);
OH_AI_ContextSetThreadAffinity(context, true);

// 创建 Model
OH_AI_Model *model = OH_AI_ModelCreate();

// Build：从文件加载并编译
OH_AI_Status status = OH_AI_ModelBuildFromFile(
model,
"model.ms",
OH_AI_MODEL_TYPE_MINDIR,
context
);

这里最关键的是 Build。Build 是重操作，不能每次推理都重新 Build。

三、Tensor 和 Shape 为什么这么重要

模型跑起来，数据怎么传进去？通过 Tensor。

Tensor 有 Shape，也就是它的维度。比如一个图片 Tensor，Shape 是 [1, 3, 224, 224]：1 张图，3 通道，224×224。

输入 Shape 变了，比如从 224×224 变成 640×640，会发生什么？

Resize 是什么？就是重新规划内存，重新做执行图优化。因为 Shape 变了，内存需求变了，算子调度也可能变。

四、动态 Shape 是什么

静态 Shape：模型的输入大小是固定的，比如必须是 224×224。

动态 Shape：模型的输入大小是可变的，比如可以在 [1, 3, 224, 224] 到 [1, 3, 640, 640] 之间变。

动态 Shape 很灵活，但也有代价：

动态 Shape 的范围不能设计太大。范围太大了，内存按最大的分配，浪费很多。

五、CPU 和 NPU 异构执行是什么意思

很多人以为：配置了 NPU，所有算子都在 NPU 上跑。不对。

NPU 不是万能的。有些算子 NPU 不支持，就会回退到 CPU 跑。这叫 CPU Fallback。

所以即使配置了 NPU，模型里有算子 NPU 不支持，那部分还是在 CPU 上跑，整体速度就上不去。

这段代码解决什么问题： 执行推理。
文件： ai/InferenceEngine.cpp
用途： 一次模型推理
接入位置： 每次预测调用

// 获取输入 Tensor
OH_AI_Tensor *input = OH_AI_ModelGetInputTensorByTensorName(model, "input");

// 设置输入 Shape
OH_AI_TensorSetDataType(input, OH_AI_DATATYPE_FLOAT32);
OH_AI_TensorSetShape(input, {1, 3, 224, 224});

// 把数据拷贝到 Tensor
OH_AI_TensorCopyFromBuffer(input, inputData, inputSize);

// 执行推理
OH_AI_ModelPredict(model, &input, 1, &output, 1);

// 从输出 Tensor 拿结果
OH_AI_TensorCopyToBuffer(output, outputData, outputSize);

六、几个容易踩的坑

第一个坑：模型 Build 每次推理都重新执行。Build 是重操作，一次就够了。

第二个坑：Context 重复复用到多个 Model Build。Context 是一次性的，每个模型单独建。

第三个坑：输入 Shape 改变却不 Resize。Shape 变了内存就不对了。

第四个坑：以为配置 NPU 后所有算子都会跑 NPU。不支持的算子回退 CPU。

第五个坑：Tensor Buffer 生命周期比 Predict 短。Tensor 还在用，Buffer 已经释放了。

第六个坑：盲目增加推理线程数。线程太多反而慢，还有上下文切换开销。

第七个坑：动态 Shape 范围设计过大。内存浪费很多。

第八个坑：只看模型文件大小判断运行时内存。模型文件小，运行时内存可能很大。

七、为什么开发机和手机差这么多

开发机跑 20ms，手机跑 100ms，差在哪里？

手机上跑 AI，不是简单的"把模型搬过来"。要考虑 CPU 性能、NPU 支持哪些算子、内存带宽够不够、会不会因为发热降频。

这次做端侧推理最大的体会是：端侧推理不是"加载模型跑 Predict"这么简单。背后是一整套执行引擎：模型加载、Build 优化、Tensor 内存规划、Shape 管理、算子异构调度。

每一个环节都有它存在的理由：Build 做优化、Tensor 管数据、Shape 管内存、异构调度发挥硬件能力。

真正做的时候，最容易忽略的不是算法本身，而是周边的工程问题：Build 不要重复做、Shape 变了要 Resize、NPU 不是万能的、线程数不是越多越好。这些才是端侧推理性能的关键。