修改doc下的cpp文档

Doc/Tutorial_Cpp.md

@@ -135,8 +135,7 @@ ErrorCode Classifier::Classify(const std::vector<cv::Mat> &srcImages,std::vector
 	
 	// 预处理
 	
-	// 创建输入数据
-    migraphx::argument result;
+	// 当offload为true时，不需要内存拷贝
     if(useoffloadcopy)
     {
         std::unordered_map<std::string, migraphx::argument> inputData;
@@ -146,32 +145,50 @@ ErrorCode Classifier::Classify(const std::vector<cv::Mat> &srcImages,std::vector
         std::vector<std::string> outputNames={"resnetv24_dense0_fwd"};    // 设置返回的输出节点
         std::vector<migraphx::argument> results = net.eval(inputData,outputNames);
 
-        result  = results[0];                                             // 获取第一个输出节点的数据
+        // 获取输出节点的属性
+        migraphx::argument result  = results[0];                 // 获取第一个输出节点的数据
+        migraphx::shape outputShapes=result.get_shape();         // 输出节点的shape
+        std::vector<std::size_t> outputSize=outputShapes.lens(); // 每一维大小，维度顺序为(N,C,H,W) 
+        int numberOfOutput=outputShapes.elements();              // 输出节点元素的个数
+        float *logits=(float *)result.data();                    // 输出节点数据指针
+
+        ...
     }
-    else
+    else   // 当offload为false时，需要内存拷贝
     {
-        // 为输出节点分配device内存，用于保存输出数据
-        std::unordered_map<std::string, migraphx::argument> modelData=CreateOutputData(net);
 
-        // 将输入转换为device数据
-        migraphx::argument inputData=migraphx::gpu::to_gpu(migraphx::argument{inputShape, (float*)inputBlob.data});
+        migraphx::argument inputData= migraphx::argument{inputShape, (float*)inputBlob.data};
 
-        // 使用device数据作为输入数据,inputData.data()返回的是device地址
-        modelData[inputName]= migraphx::argument{inputShape, inputData.data()};
+        // 拷贝到device输入内存
+        hipMemcpy(inputBuffer_Device, inputData.data(), inputShape.bytes(), hipMemcpyHostToDevice);
 
         // 推理
-        std::vector<std::string> outputNames={"resnetv24_dense0_fwd"};    // 设置返回的输出节点
-        std::vector<migraphx::argument> results = net.eval(modelData,outputNames);
+        std::vector<std::string> outputNames={"resnetv24_dense0_fwd"};     // 设置返回的输出节点
+        std::vector<migraphx::argument> results = net.eval(programParameters,outputNames);
+
+        // 获取输出节点的属性
+        migraphx::argument result   = results[0];                  // 获取第一个输出节点的数据
+        migraphx::shape outputShapes=result.get_shape();           // 输出节点的shape
+        std::vector<std::size_t> outputSize=outputShapes.lens();   // 每一维大小，维度顺序为(N,C,H,W) 
+        int numberOfOutput=outputShapes.elements();                // 输出节点元素的个数
 
-        result  = migraphx::gpu::from_gpu(results[0]);                    // 将第一个输出节点的数据拷贝到host端
+        // 将device输出数据拷贝到分配好的host输出内存
+        hipMemcpy(outputBuffer_Host, outputBuffer_Device, outputShapes.bytes(), hipMemcpyDeviceToHost);  // 直接使用事先分配好的输出内存拷贝
+        ...
+
+        // 释放
+        hipFree(inputBuffer_Device);
+        hipFree(outputBuffer_Device);
+        free(outputBuffer_Host);
     }
+
    	
    	...
    	
 }
 ```
 
-- 输入数据根据是否需要数据拷贝分为两种：offload=true、offload=false。当offload为true时，执行if分支，不需要进行内存拷贝，inputData表示MIGraphX的输入数据，inputData是一个映射关系，每个输入节点名都会对应一个输入数据，如果有多个输入，则需要为每个输入节点名创建数据，inputName表示输入节点名，migraphx::argument{inputShape, (float*)inputBlob.data}表示该节点名对应的数据，这里是通过前面预处理的数据inputBlob来创建的，第一个参数表示数据的shape，第二个参数表示数据指针。当offload为false时，执行else分支，需要进行内存拷贝，为输入节点和输出节点分配device内存，用来保存输入数据和输出数据，使用device数据作为输入数据，执行推理。
+- 输入数据根据是否需要数据拷贝分为两种：offload=true、offload=false。当offload为true时，执行if分支，不需要进行内存拷贝，inputData表示MIGraphX的输入数据，inputData是一个映射关系，每个输入节点名都会对应一个输入数据，如果有多个输入，则需要为每个输入节点名创建数据，inputName表示输入节点名，migraphx::argument{inputShape, (float*)inputBlob.data}表示该节点名对应的数据，这里是通过前面预处理的数据inputBlob来创建的，第一个参数表示数据的shape，第二个参数表示数据指针。当offload为false时，执行else分支，需要进行内存拷贝，为输入节点拷贝到device端，经过推理后，再将输出节点数据拷贝到host端。
 - net.eval(inputData)返回模型的推理结果，由于这里只有一个输出节点，所以std::vector中只有一个数据，results[0]表示第一个输出节点，这里对应resnetv24_dense0_fwd节点，获取输出数据。
 
 另外，如果想要指定输出节点，可以在eval()方法中通过提供outputNames参数来实现：