返回：Interpreter对象

返回类型： Interpreter

createRuntime(config) 

根据配置创建一个Runtime，并获取config中指定的参数是否生效；默认情况下，在 createSession 时对应create单独一个Runtime。对于串行的一系列模型，可以先单独创建Runtime，然后在各Session创建时传入，使各模型用共享同样的运行时资源（对CPU而言为线程池、内存池，对GPU而言Kernel池等），参考 RuntimeManager

返回：一个 pair ，

返回类型： pair

createSession(config, |runtime) 

根据配置创建 Session ，返回一个 Session 对象。

返回：持有推理会话数据的Session对象

返回类型： Session

setCacheFile(cache_path) 

设置缓存文件路径，在GPU情况下可以把kernel和Op-info缓存到该文件中

返回： None

返回类型： None

setExternalFile(path) 

设置额外数据文件路径，使用该文件中的数据作为权重或常量

返回： None

返回类型： None

updateCacheFile(session, flag) 

在执行推理之后，更新GPU的kernel信息到缓存文件；应该在每次推理结束后指定该函数

返回：error code 参考 runSession 方法

返回类型： int

setSessionMode(mode) 

设置会话的执行模式

getSessionInput(session, |tensorName) 

根据tensorName，返回模型指定会话的输入tensor；如果没有指定tensor名称，则返回第一个输入tensor

返回：输入Tensor对象

返回类型： Tensor

getSessionInputAll(session) 

返回模型指定会话的所有的输入tensor

返回：所有的输入Tensor对象，类型为字典，其中key为tensorName，类型为str；value为一个输入tensor，类型为Tensor

返回类型： dict

getSessionOutput(session, |tensorName) 

根据tensorName，返回模型指定会话的输出tensor；如果没有指定tensor名称，则返回第一个输出tensor

返回：输出Tensor对象

返回类型： Tensor

getSessionOutputAll(session) 

返回模型指定会话的所有的输出tensor

返回：所有的输出Tensor对象，类型为字典，其中key为tensorName，类型为str；value为一个输入tensor，类型为Tensor

返回类型： dict

resizeTensor(tensor, shape) 

改变tensor形状，并重新分配内存

返回： None

返回类型： None

resizeSession(session) 

为session分配内存，进行推理准备工作；该API一般配合 resizeTensor 一起调用，修改Tensor输入形状后对应整个推理过程中的内存分配也需要修改。

返回：成功返回True，否则抛出相应的异常

返回类型： bool

runSession(session) 

运行session执行模型推理，返回对应的error code，需要根据错误码来判断后续是否成功执行模型推理

返回：错误码，具体含义如下表

runSessionWithCallBack(session, begin_callback, end_callback) 

该API本质上与runSession一致，但是提供了用户hook函数的接口，在运行session做网络推理，每层推理前前后会执行的begin_callback和end_callback 并根据返回值来决定是否继续执行

def begin_callback(tensors, name):
    # do something
    return True
tensors:[Tensor] 该层的输入tensor
name:str 该层的名称
返回：True继续执行推理，False停止执行推理
返回类型：bool
end_callback:function|lambda 每层推理后执行的回调函数，函数原型同上
返回：同runSession
返回类型：int
runSessionWithCallBackInfo(session, begin_callback, end_callback)
该API与runSessionWithCallBack相似，但是回调函数中增加了Op的类型和计算量信息，可以用来评估模型的计算量
session:Session 执行推理的Session对象
begin_callback:function|lambda 每层推理前执行的回调函数，函数原型为：
def begin_callback(tensors, opinfo):
    # do something
    return True
tensors:[Tensor] 该层的输入tensor
opinfo:OpInfo 该层Op的相关信息，参考OpInfo
返回：True继续执行推理，False停止执行推理
返回类型：bool
end_callback:function|lambda 每层推理后执行的回调函数，函数原型同上
返回：同runSession
返回类型：int
cache()
将该Interpreter存储到当前线程的缓存中，以便多次使
返回：None
返回类型：None
removeCache()
将该Session从当前线程的缓存中移除
返回：None
返回类型：None
Example
import MNN
import MNN.cv as cv
import MNN.numpy as np
# 创建interpreter
interpreter = MNN.Interpreter("mobilenet_v1.mnn")
# 创建session
session = interpreter.createSession()
# 获取会话的输入输出张量
input_tensor = interpreter.getSessionInput(session)
output_tensor = interpreter.getSessionOutput(session)
# 将输入resize到[1, 3, 224, 224]
interpreter.resizeTensor(input_tensor, (1, 3, 224, 224))
# 读取图片，转换为size=(224, 224), dtype=float32，并赋值给input_tensor
image = cv.imread('cat.jpg')
image = cv.resize(image, (224, 224), mean=[103.94, 116.78, 123.68], norm=[0.017, 0.017, 0.017])
# HWC to NHWC
image = np.expand_dims(image, 0)
tmp_input = MNN.Tensor(image)
input_tensor.copyFrom(tmp_input)
# 执行会话推理
interpreter.runSession(session)
# 将输出结果拷贝到tmp_output中
tmp_output = MNN.Tensor((1, 1001), MNN.Halide_Type_Float, MNN.Tensor_DimensionType_Caffe)
output_tensor.copyToHostTensor(tmp_output)
# 打印出分类结果, 282为猫
print("output belong to class: {}".format(np.argmax(tmp_output.getData())))