Speech-Transformer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&性能

  ---

概述

Speech-Transformer 是一种无递归的 encoder-decoder 网络结构，已经在小规模语音识别数据集上的识别工作中显现出了良好的结果。

• 参考实现：

  url=git clone https://github.com/kaituoxu/Speech-Transformer
  branch=master
  model_name=Speech-Transformer
  

  通过 Git 获取对应 commit_id 的代码方法如下：

  git clone {repository_url}        # 克隆仓库的代码
  cd {repository_name}              # 切换到模型的代码仓目录
  git checkout {branch/tag}         # 切换到对应分支
  git reset --hard {commit_id}      # 代码设置到对应的commit_id（可选）
  cd {code_path}                    # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换
  

输入输出数据

encoder

• 输入数据

  输入数据	数据类型	大小	数据排布格式
  padded_input	FLOAT32	1 x 512 x 320	ND
  non_pad_mask	FLOAT32	1 x 512 x 1	ND
  slf_attn_mask	BOOL	1 x 512 x 512	ND

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  enc_output	FLOAT32	1 x 512 x 512	ND

decoder

• 输入数据

  输入数据	数据类型	大小	数据排布格式
  ys_in	INT64	1 x 128	ND
  encoder_outputs	FLOAT32	1 x 512 x 512	ND
  non_pad_mask	FLOAT32	1 x 128 x 1	ND
  slf_attn_mask	UINT8	1 x 128 x 128	ND

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  dec_output	FLOAT32	1 x 128 x 512	ND

tgt_word_prj

• 输入数据

  输入数据	数据类型	大小	数据排布格式
  input	FLOAT32	1 x 512	ND

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output	FLOAT32	1 x 4233	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	22.0.2	Pytorch框架推理环境准备
CANN	6.0.0	-
Python	3.7.5	-
PyTorch	1.8.0	-

快速上手

获取源码

1. 获取源码。

   git clone https://github.com/kaituoxu/Speech-Transformer
   cd Speech-Transformer
   patch -p1 < ../SpeechTransformer.patch
   cd ..
   

   将所有文件放在开源仓 Speech-Transformer/egs/aishell 下。

2. 安装依赖。

   1. 安装依赖包

      cd Speech-Transformer/egs/aishell
      pip3 install -r requirements.txt
      cd ../../../
      

   2. 安装kaldi

      git clone https://github.com/kaldi-asr/kaldi
      

      请根据kaldi/INSTALL文件中的Option 1进行安装。

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）

   1. 下载data_aishell

      在 OpenSLR 下载数据集，解压 data_aishell.tgz，然后再解压 data_aishell/wav 目录下面所有的文件。

   2. 提取特征

      cd Speech-Transformer/tools
      
      # 指向kaldi的源码
      make KALDI=../../kaldi
      
      cd ../egs/aishell
      
      # 修改run.sh中data变量指向aishell数据集，例如，data_aishell放在/home目录下面，则修改data=/home
      bash run.sh
      

模型推理

1. 模型转换。

   使用 PyTorch 将 .pth 模型权重文件转换为 .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。

      wget https://ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com/model/1_PyTorch_PTH/Speech-transformer/PTH/final.pth.tar
      

   2. 导出 onnx 文件。

      bash test/pth2onnx.sh
      

      获得 encoder.onnx、decoder.onnx 和 tgt_word_prj.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/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)》。

      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-smi 22.0.0                       Version: 22.0.2                                       |
             +-------------------+-----------------+------------------------------------------------------+
             | NPU     Name      | Health          | Power(W)     Temp(C)           Hugepages-Usage(page) |
             | Chip    Device    | Bus-Id          | AICore(%)    Memory-Usage(MB)                        |
             +===================+=================+======================================================+
             | 0       310P3     | OK              | 17.0         56                0    / 0              |
             | 0       0         | 0000:AF:00.0    | 0            934  / 23054                            |
             +===================+=================+======================================================+
         

      3. 执行 ATC 命令。

         bash test/onnx2om.sh
         

         运行成功后生成 encoder.om、decoder.om 和 tgt_word_prj.om 模型文件。

2. 开始推理验证。

   执行推理、精度验证和性能验证。

   bash test/eval_acc_perf.sh
   

模型推理性能&精度

评测结果：

模型	在线推理pth精度	300I Pro离线推理精度	基准性能	300I Pro性能
Speech-Transformer	9.9	10.8	0.83 fps	1.71 fps

备注：

1. 模型不支持多 batch

2. 精度测评脚本包含了精度和性能结果, 结果中 Err 即为精度

3. 基准性能获取方法

   pip3 install onnxruntime-gpu
   bash test/eval_acc_perf_onnx.sh