3D_Attention_Net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

Residual Attention Network 是一种注意力网络。其受注意力机制和深度神经网络的启发，主要包含数个堆积的Attention Module，每一个Module专注于不同类型的注意力信息，同时提出了 Attention Residual Learning 避免了Attention Module简单堆叠引起的负面表达。

• 参考实现：

  url=https://github.com/tengshaofeng/ResidualAttentionNetwork-pytorch.git
  branch=master
  commit_id=44d09fe9afc0d5fba6f3f63b8375069ae9d54a56
  

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
  image	FLOAT32	batchsize x 3 x 32 x 32	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  class	batch_size x class	FLOAT32	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	1.5.0+	-
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. 获取源码。

   git clone https://gitcode.com/ascend/ModelZoo-PyTorch.git        # 克隆仓库的代码
   git checkout master         # 切换到对应分支
   cd ACL_PyTorch/contrib/cv/classfication/3d_attention_net              # 切换到模型的代码仓目录
   

2. 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 ..
   

3. 获取开源代码仓。 在已下载的源码包根目录下，执行如下命令。

   git clone https://github.com/tengshaofeng/ResidualAttentionNetwork-pytorch.git
   cd ResidualAttentionNetwork-pytorch
   git checkout 44d09fe9afc0d5fba6f3f63b8375069ae9d54a56
   cd Residual-Attention-Network
   cp -r model ../..
   cp model_92_sgd.pkl ../..
   cd ../../model/
   patch -p1 <../3d_attention_net.patch
   cd ..
   

准备数据集

1. 获取原始数据集。

   本模型采用 CIFAR-10数据集:cifar-10-python.tar.gz。解压到 ./data 目录下（如没有则需创建）。

   数据目录结构请参考：

   ├── data              
         ├──cifar-10-batches-py  
              │──batched.meta
              │──data_batch_1
              │──data_batch_2
              │── ...
   

2. 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。

   执行预处理脚本，生成数据集预处理后的bin文件:

   python3 3d_attention_net_preprocess.py --data_path ./data --save_path ./preprocessed_data
   

   • 参数说明：

     --data_path: 数据集文件位置。

     --save_path：输出文件位置。

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。

      原仓中包含模型权重文件，位置为 ./ResidualAttentionNetwork-pytorch/Residual-Attention-Network/model_92_sgd.pkl 。

   2. 导出onnx文件。

      1. 使用脚本导出onnx文件。

         运行3d_attention_net_pkl2onnx.py脚本。

         # pth转换为ONNX
         mkdir -p models/onnx
         python3 3d_attention_net_pkl2onnx.py --input_file ./ResidualAttentionNetwork-pytorch/Residual-Attention-Network/model_92_sgd.pkl --save_path models/onnx/3d_attention_net.onnx
         

         • 参数说明：

           --input_file: 模型权重路径。

           --save_path：导出onnx文件路径。

         获得models/onnx/3d_attention_net.onnx文件。

   3. 优化onnx。

      运行resize_optimize.py脚本优化：

      python3 resize_optimize.py models/onnx/3d_attention_net.onnx models/onnx/3d_attention_net_resize_optimized.onnx
      

   4. 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     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。

         # 以bs1为例
         mkdir -p models/om
         atc --framework=5 --model=models/onnx/3d_attention_net_resize_optimized.onnx --output=models/om/3d_attention_net_bs1 --input_format=NCHW --input_shape="image:1,3,32,32" --log=debug -soc_version=Ascend${chip_name}
         

         • 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。

           运行成功后生成模型文件models/om/3d_attention_net_bs1.om。

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。

      # 以bs1为例
      mkdir -p results/bs1
      python3 -m ais_bench --model ./models/om/3d_attention_net_bs1.om --input ./preprocessed_data/ --output ./results --output_dirname bs1 --batchsize 1 --outfmt TXT
      

      • 参数说明：

        • --model：om文件路径。
        • --input：输入文件。
        • --output：输出目录。
        • --output_dirname：保存目录名。
        • --device：NPU设备编号。
        • --outfmt: 输出数据格式。
        • --batchsize：推理模型对应的batchsize。

      推理后的输出默认在当前目录outputs/bs1下。

   3. 精度验证。

   调用3d_attention_net_postprocess.py脚本与数据集标签比对，获得Accuracy数据。

   python3 3d_attention_net_postprocess.py --pred_res_path=results/bs1 --data_path=./data --output_path=result_bs1.txt
   

   • 参数说明：

    --pred_res_path：推理结果所在路径。
    --data_path：数据集所在路径。
    --output_path：最后结果保存路径。
   

模型推理性能&精度

精度：

device	Top1 Acc
GPU	95.4%
300I Pro	95.34%

性能参考下列数据:

Input	300I Pro性能	T4性能
3d_attention_net_bs1	1017.57	713.4245
3d_attention_net_bs4	3572.93	2306.4459
3d_attention_net_bs8	4798.82	3224.1293
3d_attention_net_bs16	7806.96	3711.3928
3d_attention_net_bs32	7742.07	3950.9440
3d_attention_net_bs64	5927.82	4217.2961
最优batch	7806.96	4217.2961