函数：execute

aclError aclmdlExecute(uint32_t modelId, const aclmdlDataset *input, aclmdlDataset *output)

ret = acl.mdl.execute(model_id, input, output)

执行模型推理，直到返回推理结果。

model_id：int，指定需要执行推理的模型的ID。

可在以下接口成功加载模型后获取到模型ID。

• acl.mdl.load_from_file
• acl.mdl.load_from_mem
• acl.mdl.load_from_file_with_mem
• acl.mdl.load_from_mem_with_mem

input：int，模型推理的输入数据对应的指针地址，具体请参见aclmdlDataset。

output：int，模型推理的输出数据对应的指针地址，具体请参见aclmdlDataset。

调用acl.create_data_buffer接口创建存放对应index输出数据的aclDataBuffer类型时，可通过“data”参数处传入0，同时设置“size”为0，创建一个空的aclDataBuffer类型，在模型执行过程中，系统内部自行计算并申请该index输出的内存。

使用该方式可节省内存，但在内存数据使用结束后，需由用户释放内存并重置aclDataBuffer，并且系统内部在申请内存时涉及内存拷贝，可能涉及性能损耗。

释放内存并重置aclDataBuffer的示例代码如下：

data_buffer = acl.mdl.get_dataset_buffer(output, 0) // 根据index获取对应的dataBuffer        
data_addr = acl.get_data_buffer_addr(data_buffer) // 获取data的Device指针地址
acl.rt.free(data_addr) // 释放Device内存
acl.update_data_buffer(data_buffer, 0, 0) // 重置dataBuffer，以便下次推理

ret：int，错误码。

• 返回0表示成功。
• 返回其它值表示失败。

• 若由于业务需求，必须在多线程中使用同一个“model_id”，则用户线程间需加锁，保证刷新输入输出内存、保证执行是连续操作，例如：

  // 线程A的接口调用顺序：
  lock(handle1) -> acl.rt.memcpy刷新输入输出内存 -> acl.mdl.execute执行推理 -> unlock(handle1)
  
  // 线程B的接口调用顺序：
  lock(handle1) -> acl.rt.memcpy刷新输入输出内存 -> acl.mdl.execute执行推理 -> unlock(handle1)

• 模型加载、模型执行、模型卸载的操作必须在同一个Context下（关于Context的创建请参见acl.rt.create_context）。
• 存放模型输入/输出数据的内存，可以使用以下接口申请：acl.rt.malloc、acl.rt.malloc_host、acl.rt.malloc_cached接口、acl.media.dvpp_malloc接口或acl.himpi.dvpp_malloc接口。

  其中：

  • 内存申请接口的具体使用场景及约束请参见相关接口的详细说明。
  • 当pyACL应用程序在Device上调用acl.rt.malloc_host接口申请内存时，该内存为Device内存。
  • acl.media.dvpp_malloc接口和acl.himpi.dvpp_malloc接口是媒体数据处理功能专用的内存申请接口，一般从性能角度，为了减少拷贝，媒体数据处理的输出作为模型推理的输入，实现内存复用。
  • 由于硬件对内存有对齐和补齐要求，若用户使用这些接口申请大块内存并自行划分、管理内存时，需满足对应接口的对齐和补齐约束，请参见内存二次分配管理。

接口调用流程及示例代码，参见模型执行。