StyleGAN2-ADA模型-推理指导
概述
StyleGAN2-ADA是具有自适应鉴别器增强（ADA）的StyleGAN2，用有限的数据训练生成对抗网络，论文链接。
-
参考实现：
url=https://github.com/NVlabs/stylegan2-ada-pytorch commit_id=765125e7f01a4c265e25d0a619c37a89ac3f5107 code_path= model_name=StyleGAN2-ADA
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 512 ND -
输出数据
输出数据 数据类型 大小 数据排布格式 output1 FLOAT32 batchsize x 3 x 512 x 512 NCHW
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 22.0.2 Pytorch框架推理环境准备 CANN 6.0.1 - Python 3.7.5 - PyTorch 1.8.0 - 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
-
获取源码。
git clone https://github.com/NVlabs/stylegan2-ada-pytorch.git model -
安装依赖。
pip3 install -r requirements.txt
准备数据集
-
获取原始数据集。（解压命令参考tar –xvf *.tar与 unzip *.zip）
StyleGAN2-ADA网络使用随机生成隐变量作为输入来生成输出，生成方式见下一步。
-
数据预处理，将原始数据集转换为模型输入的数据。
执行stylegan2-ada-pytorch_preprocess.py脚本，完成预处理。
python3 stylegan2-ada-pytorch_preprocess.py --num_input=200 --save_path=./pre_data生成
num_input个随机输入，并保存为bin文件，保存目录为./pre_data。
模型推理
-
模型转换。
使用PyTorch将模型权重文件.pkl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。
-
获取权重文件。
权重文件为：G_ema_bs8_8p_kimg1000.pkl 将获取的权重文件放在当前工作路径下。
-
导出onnx文件。
-
使用pkl2onnx.py导出onnx文件。
运行pkl2onnx.py脚本。
python3 pkl2onnx.py --batch_size=1 --pkl_file=./G_ema_bs8_8p_kimg1000.pkl --onnx_file=./G_ema_onnx_bs1.onnx python3 pkl2onnx.py --batch_size=16 --pkl_file=./G_ema_bs8_8p_kimg1000.pkl --onnx_file=./G_ema_onnx_bs16.onnx获得G_ema_onnx_bs1.onnx、G_ema_onnx_bs16.onnx文件。
-
-
使用ATC工具将ONNX模型转OM模型。
-
配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh -
执行命令查看芯片名称（${chip_name}）。
npu-smi info #该设备芯片名为Ascend310P3 （自行替换） 回显如下： +-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+ -
执行ATC命令。
atc --framework=5 \ --model=./G_ema_onnx_bs${batchsize}.onnx \ --output=G_ema_om_bs${batchsize} \ --input_format=ND \ --input_shape="z:${batchsize},512" \ --log=error \ --soc_version=Ascend${chip_name} \ --buffer_optimize=off_optimize-
参数说明：
- --model：为ONNX模型文件。
- --framework：5代表ONNX模型。
- --output：输出的OM模型。
- --input_format：输入数据的格式。
- --input_shape：输入数据的shape。
- --log：日志级别。
- --soc_version：处理器型号。
- --buffer_optimize: 模型优化选项。
运行成功后生成
G_ema_om_bs${batchsize}.om模型文件。${batchsize}支持：1，16。
-
-
-
-
开始推理验证。
-
安装ais_bench推理工具。
请访问ais_bench推理工具代码仓，根据readme文档进行工具安装。
-
执行推理。
python3 -m ais_bench --model=./G_ema_om_bs${batchsize}.om --input=./pre_data/ --output=./ --batchsize=${batchsize}-
参数说明：
- --model：om模型。
- --input：输入数据路径。
- --output：推理结果路径。
- --batchsize：om模型的batchsize。
推理后的输出默认在当前目录下。
-
-
精度验证。
a.调用
stylegan2-ada-pytorch_postprocess.py脚本将om模型的推理结果转化为图像。python3 stylegan2-ada-pytorch_postprocess.py --bin_path=${output_path} --image_path=./results/om_bs${batchsize}-
参数说明：
- --bin_path：${output_path}为推理工具生成的推理结果路径。 - --image_path：为转化图像的生成路径，${batchsize}表示om模型的batchsize。
运行后在
--image_path指定的目录保存转化的图像。b.调用
perf_gpu.py脚本使用pkl权重文件成生图像。python3 perf_gpu.pyc.精度比对方法：将om模型的推理结果转化的图像与pkl权重文件成生图像进行对比，两幅图像在视觉效果上一致。
-
-
性能验证。
可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
python3.7 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}- 参数说明：
- --model：om模型
- --batchsize：om模型的batchsize。
- 参数说明：
-
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 | 随机生成数据 | 图片视觉评价 | 39.81 fps |
| 300I Pro | 16 | 随机生成数据 | 图片视觉评价 | 37.06 fps |