京东金融鸿蒙端部署AI超分模型实践
内容提要
本文介绍了京东金融App在鸿蒙端成功部署Real-ESRGAN-General-x4v3超分辨率模型的过程，解决了ONNX模型转换、张量格式处理及基于CANN Kit的部署难题。未来，随着技术进步，端侧设备将具备更强的智能推理能力，推动人工智能的普惠发展。
关键要点
-
京东金融App成功在鸿蒙端部署Real-ESRGAN-General-x4v3超分辨率模型，提升图片清晰度。
-
部署过程中解决了ONNX模型转换、张量格式处理及基于CANN Kit的技术难题。
-
鸿蒙系统不支持ONNX框架，需使用华为自研的CANN架构进行模型部署。
-
模型转换为OM离线模型，移动端AI程序直接读取进行推理。
-
通过技术进步，未来端侧设备将具备更强的智能推理能力，推动人工智能的普惠发展。
延伸解读
技术挑战与解决方案
京东金融在鸿蒙端成功部署AI超分模型的过程中，面临了ONNX框架不被支持的技术瓶颈。团队通过使用华为自研的CANN架构，克服了模型转换和张量格式处理等难题。这一过程不仅展示了技术团队的创新能力，也为其他开发者提供了宝贵的经验，尤其是在缺乏公开资料的情况下，如何自主探索解决方案。
未来发展趋势
随着芯片算力的提升和模型压缩技术的进步，未来端侧设备将具备更强的智能推理能力。这将推动人工智能的普惠发展，使得移动设备能够实现更复杂的AI任务，如实时个性化学习和隐私保护计算。这一趋势将改变人机交互的方式，推动智能服务的普及。
用户体验的提升
通过部署超分辨率模型，京东金融App能够显著提升用户上传图片的清晰度，改善用户在社区中的信息获取体验。这不仅增强了平台的信任感，还可能提高用户的留存率和互动意愿，显示出技术在提升用户体验方面的重要作用。
延伸问答
京东金融App在鸿蒙端部署了什么模型？
京东金融App在鸿蒙端成功部署了Real-ESRGAN-General-x4v3超分辨率模型。
鸿蒙系统为什么不支持ONNX框架？
鸿蒙系统不支持ONNX框架，因此只能使用华为自研的CANN架构进行模型部署。
在部署过程中遇到了哪些技术难题？
部署过程中解决了ONNX模型转换、张量格式处理及基于CANN Kit的部署难题。
如何将ONNX模型转换为OM离线模型？
需要使用CANN Kit将ONNX模型转换为OM离线模型，具体步骤包括下载工具、合并文件和进行opset版本转换。
未来端侧设备的智能推理能力将如何发展？
未来，随着技术进步，端侧设备将具备更强的智能推理能力，推动人工智能的普惠发展。
超分辨率模型的输入输出张量格式是什么？
该模型的输入张量格式为1*3*128*128 (BCHW)，输出张量格式为1*3*512*512 (BCHW)。
