Data2vec模型-推理指导

• 概述

• 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

Data2Vec是一个对语音、语言或计算机视觉使用相同学习方法的框架，核心思想是使用标准的Transformer 架构，在self-distillation（自蒸馏）设置中基于输入的掩码视图来预测完整输入数据的潜在表示。针对语音部分，编码方式上采用一维卷积网络，掩码方式与wav2vec一致。

• 参考实现：

  url=https://github.com/huggingface/transformers/tree/main/src/transformers/models/data2vec
  commit_id= a6937898c117a2f75c3ee354eb2e4916f428f441
  model_name= modeling_data2vec_audio
  

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	FLOAT32	batchsize x 559280	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 1747 x 32	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	3.7.13	-
  PyTorch	1.10.0	-
  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

1. 安装依赖。

   pip3 install -r requirement.txt
   
   

   如果报错： OSError: sndfile library not found， 则需要执行此命令： sudo apt-get install libsndfile1

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）

   本模型使用LibriSpeech测试集，下载 LibriSpeech-test_clean 后解压。目录结构如下：

   data2vec
   ├── transformers
   ├── LibriSpeech
      ├── test-clean
      ├── BOOKS.TXT
      ├── ...
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行data2vec_preprocess.py脚本，完成预处理。

   python3 data2vec_preprocess.py --input="./LibriSpeech/test-clean/" --output="./data/bin_in"
   

   运行后生成的文件存放在/data/bin_in

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。

       mkdir data2vec_pytorch_model
       wget https://huggingface.co/facebook/data2vec-audio-base-960h/raw/main/README.md -P data2vec_pytorch_model
       wget https://huggingface.co/facebook/data2vec-audio-base-960h/raw/main/config.json -P data2vec_pytorch_model
       wget https://huggingface.co/facebook/data2vec-audio-base-960h/raw/main/preprocessor_config.json -P data2vec_pytorch_model
       wget https://huggingface.co/facebook/data2vec-audio-base-960h/resolve/main/pytorch_model.bin -P data2vec_pytorch_model
       wget https://huggingface.co/facebook/data2vec-audio-base-960h/raw/main/special_tokens_map.json -P data2vec_pytorch_model
       wget https://huggingface.co/facebook/data2vec-audio-base-960h/raw/main/tokenizer_config.json -P data2vec_pytorch_model
       wget https://huggingface.co/facebook/data2vec-audio-base-960h/raw/main/vocab.json -P data2vec_pytorch_model
      

   2. 导出onnx文件。

      1. 使用data2vec_pth2onnx.py导出onnx文件。

         运行data2vec_pth2onnx.py脚本。

         python3 data2vec_pth2onnx.py
         

         获得data2vec.onnx文件。

      2. 优化ONNX文件。(安装auto-optimzer工具)

         python3 data2vec_modify.py -m1 data2vec.onnx -m2 data2vec_new.onnx
         

         • 参数说明：
           • --input_name(m1)：onnx文件路径。
           • --output_name(m2): 优化后的onnx文件路径。

         获得data2vec_new.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
         

      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=data2vec_new.onnx \
             --framework=5 \
             --input_shape="modelInput:${bs},559280" \
             --output=data2vec_bs${bs} \
             --soc_version=Ascend${chip_name} \
             --op_precision_mode=op_precision.ini
         

         • 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_shape：输入数据的shape。
           • --soc_version：处理器型号。
           • --op_precision_mode：设置算子精度模式。

         运行成功后生成data2vec_bs${bs}.om模型文件。

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 data2vec_bs${bs}.om \
           --input "data/bin_in" \
           --output "./" \
           --output_dirname "data/bin_out"
   

   • 参数说明：
     - --model：om文件路径。 - --input：输入数据所在的文件夹。 - --output：推理结果输出路径。 - --output_dirname：推理结果输出子文件夹。

   推理后的输出默认在data/bin_out目录下。

   3. 数据后处理 调用数据后处理脚本将模型输出转换为文本。

   python3 data2vec_postprocess.py --input "data/bin_out"
   

   运行成功后得到文件/data/infered_texts.txt。

   4. 精度验证。

   调用脚本与数据集标签ground_truth_texts.txt比对，可以获得Accuracy数据。

   python3 data2vec_eval_accuracy.py --ground_truth_text "./data/ground_truth_texts.txt" --infered_text "./data/infered_texts.txt"
   

   • 参数说明
     - --ground_truth_text：真实文本所在的路径。 - --infered_text：推理文本所在的路径。

模型推理性能&精度

NPU芯片型号	Batch Size	数据集	精度(wer)	性能 (fps)
300I Pro	1	LibriSpeech	0.938	11.154
300I Pro	4	LibriSpeech	0.938	10.351
300I Pro	8	LibriSpeech	0.938	10.391
300I Pro	16	LibriSpeech	0.938	10.561
300I Pro	32	LibriSpeech	0.938	10.561
300I Pro	64	LibriSpeech	0.938	10.292

公网地址说明

代码涉及公网地址参考 public_address_statement.md