CSWin-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&精度

  ---

概述

CSWin Transformer（cross-shape window）是Swin-Transformer的改进版，它提出了通过十字形的窗口来做Self-attention，它不仅计算效率非常高，而且能够通过两层计算就获得全局的感受野。CSWin Transformer还提出了新的编码方式：LePE，进一步提高了模型的准确率。

• 参考实现：

  url=https://github.com/microsoft/CSWin-Transformer
  commit_id=f111ae2f771df32006e7afd7916835dd67d4cb9d
  model_name=CSWin-Transformer
  

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 3 x 224 x 224	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	batchsize x 1000	ND

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.RC1	-
  Python	3.7.5	-
  PyTorch	1.6.0	-
  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://github.com/microsoft/CSWin-Transformer.git
   cd CSWin-Transformer
   git reset --hard  f111ae2f771df32006e7afd7916835dd67d4cb9d 
   cd ..
   patch -p0 ./CSWin-Transformer/models/cswin.py diff.patch
   cd CSWin-Transformer
   

2. 安装依赖。

   pip install -r requirements.txt
   

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ImageNet官网的5万张验证集进行测试，以ILSVRC2012为例，用户需获取ILSVRC2012数据集，并上传到服务器，图片与标签分别存放在./imagenet/val与./imageNet/val_label.txt。

   │imagenet/
   ├──train/
   │  ├── n01440764
   │  │   ├── n01440764_10026.JPEG
   │  │   ├── n01440764_10027.JPEG
   │  │   ├── ......
   │  ├── ......
   ├──val/
   │  ├── n01440764
   │  │   ├── ILSVRC2012_val_00000293.JPEG
   │  │   ├── ILSVRC2012_val_00002138.JPEG
   │  │   ├── ......
   │  ├── ......
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行CSWin_Transformer_preprocess.py脚本，完成预处理。

   mkdir ../${savePath}
   python ../CSWin_Transformer_preprocess.py --data ${dataset_path} --savepath ../${savePath}
   

   • 参数说明：

     • --data：imagenet数据集
     • --savepath：预处理数据保存地址

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。

      权重文件

   2. 导出onnx文件。

      1. 使用CSWin_Transformer_pth2onnx.py导出onnx文件。

         运行CSWin_Transformer_pth2onnx.py脚本。

         cd ..
         python CSWin_Transformer_pth2onnx.py --batchsize=${batch_size} --pth=${pth_path} --onnx=cswin_bs${bs}.onnx
         

         • 参数说明：

           • --batchsize：batchsize大小
           • --pth：模型权重文件
           • --onnx：onnx文件保存名称
             获得cswin_bs${bs}.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=cswin_bs${bs}.onnx \
             --framework=5 \
             --output=cswin_bs${bs} \
             --input_format=NCHW \
             --input_shape="input:${bs},3,224,224" \
             --soc_version=Ascend${chip_name} \
             --optypelist_for_implmode="Gelu" \
             --op_select_implmode=high_performance 
         

         • 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。
           • --optypelist_for_implmode：选择部分算子高性能模式

           运行成功后生成cswin_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。

      python -m ais_bench  \
             --model cswin_bs${bs}.om \
             --input ${input} \
             --output ./ \
             --output_dirname=result
             --outfmt TXT \
             --batchsize ${batch_size}  
      

      • 参数说明：

        • model：om文件路径。
        • input：预处理文件路径。
        • output:推理数据路径

      推理后的输出保存在当前目录result下。

   3. 精度验证。

      调用CSWin_Transformer_postprocess.py脚本评测精度，运行后精度结果保存在result.json文件中

       python CSWin_Transformer_postprocess.py ${output} ${val_label} ./ result.json
      

      • 参数说明：

        • output：为生成推理结果所在路径

        • val_label：为标签数据

        • result.json：为生成结果文件

   4. 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=cswin_bs${bs}.om --loop=100 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型路径
        • --batchsize：batchsize大小

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	ImageNet	83.3%	105.6
300I Pro	4	ImageNet		185.3
300I Pro	8	ImageNet		220.5
300I Pro	16	ImageNet	83.3%	223.5
300I Pro	32	ImageNet		207.3
300I Pro	64	ImageNet		105.6