Bert_Base_Cased模型-推理指导
概述
BERT来自 Google 的论文Pre-training of Deep Bidirectional Transformers for Language Understanding，BERT 是Bidirectional Encoder Representations from Transformers的首字母缩写，整体是一个自编码语言模型。Bert_Base_Cased是BERT模型在Glue上训练得到的模型。本模型以Glue下的SST-2任务为例。
-
参考实现：
url=https://huggingface.co/gchhablani/bert-base-cased-finetuned-sst2 commit_id=e3a2a13efbaaf56afd02eb7333952ea22a693c45
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_ids INT64 batchsize x seq_len ND attention_mask INT64 batchsize x seq_len ND -
输出数据
输出数据 数据类型 大小 数据排布格式 output FLOAT32 batch_size x 2 ND
推理环境准备[所有版本]
-
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 | 1.0.17 | Pytorch框架推理环境准备 |
| CANN | 6.0.RC1 | - |
| 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_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/gchhablani/bert-base-cased-finetuned-sst2 -
安装依赖。
pip3 install -r requirements.txt git clone https://gitee.com/Ronnie_zheng/MagicONNX.git MagicONNX cd MagicONNX && git checkout dev pip3 install . && cd ..
准备数据集
-
获取原始数据集。
mkdir data本模型采用SST-2数据集的验证集进行精度评估。获取SST-2官方数据集并解压后将SST-2文件夹放在data文件夹下。目录结构如下：
Bert_Base_Cased_SST2 ├── data ├──SST-2 ├── test.tsv ├── dev.tsv ├── train.tsv └── original -
数据预处理。
数据预处理将原始数据集转换为模型输入的数据。
执行preprocess.py脚本，完成预处理。
python3 preprocess.py \ --text_file data/SST-2/dev.tsv \ --tokenizer_path bert-base-cased-finetuned-sst2 \ --seq_len ${seq_len_1},${seq_len_2} \ --save_path data_bin/${bs}/ \ --batch_size ${bs}- 参数说明：
- --text_file：验证集文件路径。
- --tokenizer_path：配置路径。
- --save_path：预处理数据路径
- --sqe_len：sequence长度。
- --batch_size：输入batch size。
- 参数说明：
模型推理
-
模型转换
-
获取权重文件
获取权重文件：pytorch_model.bin，替换
bert-base-cased-finetuned-sst2/checkpoint-12630目录下的文件：mv pytorch_model.bin bert-base-cased-finetuned-sst2/checkpoint-12630/ -
导出onnx文件
python3 pth2onnx.py \ --model_dir bert-base-cased-finetuned-sst2/checkpoint-12630/ \ --save_path model/bert_base_sst2.onnx运行成功后在model目录下得到
bert_base_sst2.onnx模型文件- 参数说明：
- --model_dir：模型路径（包含配置文件等）
- --save_path：输出的onnx文件路径。
- 参数说明：
-
优化ONNX文件。 请访问auto-optimizer优化工具代码仓，根据readme文档进行工具安装。
python3 -m onnxsim model/bert_base_sst2.onnx model/bert_base_sst2_bs${bs}.onnx --input-shape "input_ids:${bs},${seq_len}" "attention_mask:${bs},${seq_len}" python3 modify_onnx.py model/bert_base_sst2_bs${bs}.onnx model/bert_base_sst2_bs${bs}_md.onnx python3 modify_shape.py \ --original_onnx model/bert_base_sst2.onnx \ --modified_onnx model/bert_base_sst2_bs${bs}_md.onnx \ --save_path model/bert_base_sst2_bs${bs}_md_dynamic.onnx \ --batch_size ${bs}运行成功后在model目录下得到
bert_base_sst2_bs${bs}_md_dynamic.onnx模型文件 -
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说明： 该脚本中环境变量仅供参考，请以实际安装环境配置环境变量。详细介绍请参见《CANN 开发辅助工具指南 (推理)》。
-
执行命令查看芯片名称（${chip_name}）。
npu-smi info #该设备芯片名为Ascend310P3 （自行替换） 回显如下： +-------------------|-----------------|------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+ -
执行ATC命令。
atc --model=model/bert_base_sst2_bs${bs}_md_dynamic.onnx \ --framework=5 \ --output=model/bert_base_sst2_bs${bs} \ --input_format=ND \ --log=error \ --soc_version=Ascend${chip_name} \ --optypelist_for_implmode="Gelu" \ --op_select_implmode=high_performance \ --input_shape="input_ids:${bs},-1;attention_mask:${bs},-1" \ --dynamic_dims="${seq_len_1},${seq_len_1};${seq_len_2},${seq_len_2}"-
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。
- --input_shape：输入shape。
- --dynamic_dims：输入序列的不同长度
运行成功后生成
bert_base_sst2_bs${bs}.om模型文件。
-
-
-
-
开始推理验证。
-
安装ais_bench推理工具
请访问ais_bench推理工具代码仓，根据readme文档进行工具安装。
-
执行推理。
python3 -m ais_bench \ --model model/bert_base_sst2_bs${bs}.om \ --input ./data_bin/${bs}/input_ids,./data_bin/${bs}/attention_mask \ --output ./data_bin/${bs}/ \ --output_dirname output \ --auto_set_dymdims_mode 1 \ --outfmt NPY-
参数说明：
- --model：om文件路径。
- --input：输入文件。
- --output：输出目录。
- --output_dirname：输出子目录。
- --auto_set_dymdims_mode：自动匹配输入。
- --outfmt：输出文件类型。
推理后的输出默认在当前目录data_bin/output下。
-
-
精度验证。
调用postprocess.py脚本与数据集标签比对，获得Accuracy数据。
python3 postprocess.py \ --output_path ./data_bin/${bs}/output \ --label_path ./data_bin/${bs}/labels- 参数说明：
- --output_path：推理结果路径。
- --label_path：label文件路径。
- 参数说明：
-
性能验证。
可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
python3 -m ais_bench --model=model/bert_base_sst2_bs${bs}.om --loop=100- 参数说明：
- --model：om模型文件路径。
- --loop：推理次数。
- 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。
seq_len = 64, 128
| 芯片型号 | Batch Size | 数据集 | 精度 | 性能 |
|---|---|---|---|---|
| 300I Pro | 1 | SST-2 | 92.43 | 522.28 |
| 300I Pro | 4 | SST-2 | 92.43 | 1634.64 |
| 300I Pro | 8 | SST-2 | 92.43 | 2426.22 |
| 300I Pro | 16 | SST-2 | 92.43 | 2694.21 |
| 300I Pro | 32 | SST-2 | 92.43 | 2906.40 |
| 300I Pro | 64 | SST-2 | 92.43 | 2661.63 |