一、固定shape转换

在转换onnx时，指定特定的shape进行转换，参考命令如下：

converter_lite --modelFile=./yolox_m_mmyolo.onnx --outputFile=./yolox_m_mmyolo --inputShape="images:1,3,640,640" --fmk=ONNX --saveType=MINDIR --optimize=ascend_oriented

注：如果onnx模型是固定shape，--inputShape参数可以不加

二、动态分档

如果业务场景中的输入是确定的几种，那么可以使用动态分档来进行模型转换，这个时候需要使用到配置文件，以开源sd1.5模型为例

根据不同业务场景下，模型的不同输入设置配置文件config.ini

[acl_build_options]
input_format="ND"
input_shape="sample:2,4,-1,-1;timestep:1;encoder_hidden_states:2,77,768"
ge.dynamicDims="128,128;96,128;96,96;64,96;64,64"

设置好配置文件后，进行模型转换

converter_lite --modelFile=unet.onnx --outputFile=./unet --fmk=ONNX --saveType=MINDIR --optimize=ascend_oriented --configFile=./config.ini

三、纯动态模型转换

如果业务场景是完全动态的，则可以使用完全动态的方式将onnx模型转换mindir

还是以unet模型为例，配置文件如下

[acl_build_options]
input_shape_range="sample:[-1,-1,-1,-1];timestep:[-1];encoder_hidden_states:[-1,-1,768]"

转换命令与动态分档的命令相同，参考如下：

converter_lite --modelFile=unet.onnx --outputFile=./unet --fmk=ONNX --saveType=MINDIR --optimize=ascend_oriented --configFile=./config.ini

注意：

1、纯动态的模型转换出来之后，并不是可以随意输入shape信息，前提是业务场景要支持，如unet的hw必须能否被8整除，如果不满足条件，则还是会运行错误

2、纯动态转出来的mindir底层使用的都是纯动态的算子，性能相比前两种方式存在一定程度的劣化

3、该参数不能与动态分档中的ge.dynamicDims参数共用

四、fp32的方式转换模型

默认情况下，是按照fp16的数据格式转换模型，如果想要提升模型精度，可以使用fp32的数据格式来转换模型

需要再配置文件中添加如下参数

[acl_init_options]
ge.exec.precision_mode=force_fp32

五、使能融合算子导出模型

如果想要在导出mindir模型时，应用目前已有的融合算子，如FlashAttention，可以在配置文件中添加如下参数

[ascend_context]
plugin_custom_ops=All

如果只想使能FlashAttention的话，plugin_custom_ops可以赋值为FlashAttention