ATC GoogleNet (FP16)模型-推理指导

• 概述

• 推理环境准备

• 快速上手

  • 准备数据集
  • 模型推理

• 模型推理性能

  ---

概述

GoogleNet是一种用于图像分类的卷积神经网络，这个模型的默认输入尺寸是224×224，有三个通道。该篇论文的作者在ILSVRC 2014比赛中提交的报告中使用了GoogLeNet，这是一个22层的深度网络。在这里面提出了一种新的叫做Inception的结构。该网络具有很大的depth和width，但是参数数量却仅为AlexNet的1/12。

• 参考实现：

  url=https://github.com/pytorch/vision.git
  branch=master
  commit_id=78ed10cc51067f1a6bac9352831ef37a3f842784
  

  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

• 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	大小	数据类型	数据排布格式
  output1	1 x 1000	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	1.0.15	Pytorch框架推理环境准备
CANN	3.3.0	-
ONNX	1.7.0	-
PyTorch	1.6.0
TorchVision	0.7.0	-
numpy	1.18.5	-
Pillow	7.2.0	-

快速上手

1. 单击“立即下载”，下载源码包。
2. 上传源码包到服务器任意目录并解压（如：/home/HwHiAiUser）。

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ImageNet 50000张图片的验证集。以ILSVRC2012为例，请用户需自行获取ILSVRC2012数据集，上传数据集到服务器任意目录并解压（如：/home/HwHiAiUser/dataset）。本模型将使用到ILSVRC2012_img_val.tar验证集及ILSVRC2012_devkit_t12.gz中的val_label.txt数据标签。

2. 数据预处理。(请拆分sh脚本，将命令分开填写)

   数据预处理将原始数据集转换为模型输入的数据。模型输入数据有两种格式，分别为二进制输入和jpeg图像输入。

   • 二进制输入 将原始数据（.jpeg）转化为二进制文件（.bin）。转化方法参考Torchvision训练预处理方法处理数据，以获得最佳精度。通过缩放、均值方差手段归一化，输出为二进制文件。

   执行preprocess_googlenet_pth.py脚本。

   python3.7 preprocess_googlenet_pth.py ./ImageNet/ILSVRC2012_img_val ./prep_bin
   

   第一个参数为原始数据验证集（.jpeg）所在路径，第二个参数为输出的二进制文件（.bin）所在路径。每个图像对应生成一个二进制文件。

模型推理

1. 模型转换。

   使用PyTorch将模型权重文件googlenet-1378be20.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. 导出onnx文件。
   • 获取ONNX模型。 googlenet_pth2onnx.py脚本将.pth文件转换为.onnx文件，执行如下命令。

   python3.7 googlenet_pth2onnx.py ./googlenet-1378be20.pth ./googlenet.onnx
   

   第一个参数为输入权重文件路径，第二个参数为输出onnx文件路径。

   运行成功后，在当前目录生成googlenet.onnx模型文件。

   须知：使用ATC工具将.onnx文件转换为.om文件，需要.onnx算子版本需为11。在googlenet_pth2onnx.py脚本中torch.onnx.export方法中的输入参数 opset_version的值需为11，请勿修改。

   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=./googlenet.onnx --framework=5 --output=googlenet_bs1_new --input_format=NCHW --input_shape="actual_input_1:1,3,224,224" --log=info --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。

2. 开始推理验证。

   a.安装ais_bench推理工具。

   1.本推理工具编译需要安装好CANN环境。用户可以设置CANN_PATH环境变量指定安装的CANN版本路径，比如export CANN_PATH=/xxx/nnae/latest/. 如果不设置，本推理工具默认会从 CANN_PATH /usr/local/Ascend/nnae/latest/ /usr/local/Ascend/ascend-toolkit/latest 分别尝试去获取

   2.请访问ais_bench推理工具代码仓，根据readme文档进行工具安装。

   b.执行推理。

   python -m ais_bench --model ./googlenet_bs32.om --input ./prep_bin/ --output ./lmcout/bs32 --outfmt TXT --batchsize 32
   

   c.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。

   python googleNet_postprocess.py --result_path=xxx/sumary.json
   

   • 参数说明：

     • --xxx/sumary.json：生成推理结果所在路径。
     • --val_label.txt：标签数据。
     • --result.json：生成结果文件。

模型推理性能&精度

精度：

BatchSize	top1	top5
1	69.77%	89.51%
8	69.77%	89.51%

性能：

Batch Size	300I PRO	T4	300I PRO/T4
1	1923.5063	311.16746	6.181579
4	4487.84812	745.90649	6.016636
8	6287.326287	878.6491068	7.15567
16	6017.703841	1019.17379	5.9
32	5567.754933	1063.788635	5.23389
64	4932.890785	1065.05367	4.63159

公网地址说明

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