GENet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

作者在大量实验研究的基础上提出了一种GPU端高效网络设计的通用范式，该设计范式促使作者仅需要采用简单而轻量的NAS方法即可得到高效且高精度的GPU端网络架构。基于所设计的网络架构设计范式，作者提出了一类GPU端高效的网络，称之为GENet。

• 参考实现：

  url=git clone https://github.com/BayesWatch/pytorch-GENet.git
  commit_id=3fbf99fb6934186004ffb5ea5c0732e0e976d5b2
  model_name=pytorch-GENet
  

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 32 x 32	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	1 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	1.5.0	-
  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://github.com/BayesWatch/pytorch-GENet.git 
   cd pytorch-GENet/
   git reset --hard 3fbf99fb6934186004ffb5ea5c0732e0e976d5b2
   cd ..
   

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） 本模型支持cifar-10验证集。用户需自行获取数据集，将压并上传数据集到当前目录新建文件夹data下。目录结构如下：

   data   
   └── cifar-10-batchses-py
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行GENet_preprocess.py脚本，完成预处理。

   python GENet_preprocess.py ./data/ ./predata
   

   • 参数说明：

     • 第一个参数：数据集目录
     • 第二个参数：预处理数据保存目录

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。

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

   2. 导出onnx文件。

      1. 使用GENet_pth2onnx.py导出onnx文件。

         运行GENet_pth2onnx.py脚本。

         python GENet_pth2onnx.py genet.pth.tar genet.onnx
         

         • 参数说明：

           • 第一个参数：权重文件
           • 第二个参数：保存onnx文件

         获得genet.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=genet.onnx \
             --framework=5 \
             --input_format=NCHW \
             --input_shape="image:${bs},3,32,32" \
             --output=genet_bs${bs} \
             --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genet_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=genet_bs${bs} --input=./predata --output=./ --output_dirname=./result --batchsize=${batch_size} --outfmt=TXT    
      

      • 参数说明：

        • model：om模型地址
        • input：预处理数据
        • output：推理结果保存路径
        • output_dirname：推理结果保存子目录
        • outfmt：输出数据格式

      推理后的输出保存在当前目录result下。

   3. 精度验证。

      调用脚本与数据集标签val_label.txt比对，可以获得Accuracy数据，结果保存在result.json中。

      python3 GENet_postprocess.py ./result/ ./predata/val_label.txt ./ result.json
      

      • 参数说明：

        • result：为生成推理结果所在路径

        • val_label.txt：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=genet_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	cifar-10	top1:94.23%	2652
300I Pro	4	cifar-10	top1:94.23%	6981
300I Pro	8	cifar-10	top1:94.23%	7768
300I Pro	16	cifar-10	top1:94.23%	9981
300I Pro	32	cifar-10	top1:94.23%	7991
300I Pro	64	cifar-10	top1:94.23%	9235