AlexNet模型-推理指导

• 概述

  • 输入输出数据

• 推理环境准备

• 快速上手

  • 获取源码
  • 准备数据集
  • 模型推理

• 模型推理性能&精度

概述

Alex在2012年提出的alexnet网络结构模型,首次在CNN中成功应用了ReLU、Dropout和LRN等Trick,引爆了神经网络的应用热潮,并赢得了2012届图像识别大赛的冠军,使得CNN成为在图像分类上的核心算法模型。

• 参考实现：

  url=https://github.com/pytorch/examples/tree/master/imagenet
  commit_id=49e1a8847c8c4d8d3c576479cb2fe2fd2ac583de
  code_path=https://gitcode.com/ascend/ModelZoo-PyTorch/tree/master/ACL_PyTorch/contrib/cv/classfication/AlexNet
  model_name=AlexNet
  

输入输出数据

• 输入数据

  输入数据	数据类型	大小	数据排布格式
  input	RGB_FP32	batchsize x 3 x 224 x 224	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	batchsize x 1000	ND

推理环境准备

• 该模型需要以下插件与驱动

  表 1 版本配套表

  配套	版本	环境准备指导
  固件与驱动	22.0.3	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.8.1	-
  说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。	\	\

快速上手

获取源码

1. 获取源码。

   直接可以调用torch内的alexNet模型，无需下载源码
   

2. 安装依赖。

   pip3 install -r requirements.txt
   

准备数据集

1. 获取原始数据集。（解压命令参考tar –xvf *.tar与 unzip *.zip）

   该模型使用ImageNet官网的5万张验证集进行测试，图片与标签分别存放在/local/AlexNet/imagenet/val与/local/AlexNet/imagenet/val_label.txt。

   imagenet
   ├── val_label.txt    //验证集标注信息       
   └── val             // 验证集文件夹
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行imagenet_torch_preprocess.py脚本，完成预处理。

   python3.7 imagenet_torch_preprocess.py /local/AlexNet/imagenet/val ./pre_dataset
   
   

   • 参数说明：

     /local/AlexNet/imagenet/val，验证集文件所在路径

     ./pre_dataset，输出的预处理后数据集路径

模型推理

1. 模型转换。

   使用PyTorch将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。

   1. 获取权重文件。

      AlexNet预训练pth权重文件

      wget https://download.pytorch.org/models/alexnet-owt-4df8aa71.pth
      

   2. 导出onnx文件。

      1. 使用pth2onnx.py脚本。

         运行pth2onnx.py脚本。

         python3.7 pth2onnx.py alexnet-owt-4df8aa71.pth alexnet.onnx
         

         获得alexnet.onnx文件。

   3. 使用ATC工具将ONNX模型转OM模型。

      1. 配置环境变量。

          source /usr/local/Ascend/......
         

      2. 执行命令查看芯片名称（${chip_name}）。

         npu-smi info
         #该设备芯片名为Ascend310P3 （自行替换）
         回显如下：
         +-------------------+-----------------+------------------------------------------------------+
         | NPU     Name      | Health          | Power(W)     Temp(C)           Hugepages-Usage(page) |
         | Chip    Device    | Bus-Id          | AICore(%)    Memory-Usage(MB)                        |
         +===================+=================+======================================================+
         | 0       310P3     | OK              | 15.8         42                0    / 0              |
         | 0       0         | 0000:82:00.0    | 0            1074 / 21534                            |
         +===================+=================+======================================================+
         | 1       310P3     | OK              | 15.4         43                0    / 0              |
         | 0       1         | 0000:89:00.0    | 0            1070 / 21534                            |
         +===================+=================+======================================================+
         

      3. 执行ATC命令。

         atc --model=./alexnet.onnx --framework=5 --output=./onnx_alexnet_bs{batch size} --input_format=NCHW --input_shape="actual_input_1:{batch size},3,224,224" --log=debug --soc_version=Ascend310P3
         示例
         atc --model=./alexnet.onnx --framework=5 --output=./onnx_alexnet_bs1 --input_format=NCHW --input_shape="actual_input_1:1,3,224,224" --log=debug --soc_version=Ascend310P3
         

         • 参数说明：

           • --model：为ONNX模型文件。
           • --framework：5代表ONNX模型。
           • --output：输出的OM模型。
           • --input_format：输入数据的格式。
           • --input_shape：输入数据的shape。
           • --log：日志级别。
           • --soc_version：处理器型号。

           运行成功后生成onnx_alexnet_bs1.om模型文件，batch size为4、8、16、32、64的修改对应的batch size的位置即可。

2. 开始推理验证。

   1. 安装ais_bench推理工具。

      请访问ais_bench推理工具代码仓，根据readme文档进行工具安装。

   2. 执行推理。

      python3 -m ais_bench --model ./onnx_alexnet_bs{batch size}.om --input ./pre_dataset/ --output ./output --output_dirname subdir --outfmt 'TXT' --batchsize {batch size}
      示例
      python3 -m ais_bench --model ./onnx_alexnet_bs1.om --input ./pre_dataset/ --output ./output --output_dirname subdir --outfmt 'TXT' --batchsize 1
      

      • 参数说明：

        • model：需要推理om模型的路径。
        • input：模型需要的输入bin文件夹路径。
        • output：推理结果输出路径。
        • outfmt：输出数据的格式。
        • output_dirname:推理结果输出子文件夹。

      推理后的输出默认在当前目录output的subdir下。

   3. 精度验证。

      调用vision_metric_ImageNet.py脚本与label比对，可以获得Accuracy Top5数据，结果保存在result.json中。

       python3.7 vision_metric.py --benchmark_out ./output/subdir/ --anno_file /local/AlexNet/imagenet/val_label.txt --result_file ./result.json
      

      • 参数说明：

        • benchmark_out：为生成推理结果所在路径

        • anno_file：为标签数据所在路径

        • result_file：为生成结果文件所在路径

   4. 性能验证。

      可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：

      python3.7 -m ais_bench --model=./onnx_alexnet_bs{batch size}.om --loop=1000 --batchsize={batch size}
      示例
      python3.7 -m ais_bench --model=./onnx_alexnet_bs1.om --loop=1000 --batchsize=1
      

      • 参数说明：
        • --model：需要验证om模型所在路径
        • --batchsize：验证模型的batch size，按实际进行修改

模型推理性能&精度

调用ACL接口推理计算，性能参考下列数据。

芯片型号	Batch Size	数据集	精度	性能
300I Pro	1	ImageNet	56.56/Top1 79.1/Top5	1266
300I Pro	4	ImageNet	56.56/Top1 79.1/Top5	4324
300I Pro	8	ImageNet	56.56/Top1 79.1/Top5	7266
300I Pro	16	ImageNet	56.56/Top1 79.1/Top5	9975
300I Pro	32	ImageNet	56.56/Top1 79.1/Top5	11055
300I Pro	64	ImageNet	56.56/Top1 79.1/Top5	12672