pnasnet5large Onnx模型端到端推理指导

• 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

  ---

概述

PNAS是一种学习卷积神经网络（CNN）结构的方法，该方法比现有的基于强化学习和进化算法的技术更有效。使用了基于序列模型的优化(SMBO)策略，在这种策略中，按照增加的复杂性对结构进行搜索，同时学习代理模型（surrogate model）来引导在结构空间中的搜索。 这种方法类似于 A* 算法（也被称为分支限界法），其中从简单到复杂搜索模型空间，并在前进过程中剪枝处理掉没有前途的模型。 这些模型（单元）按照它们所包含的模块的数量进行排序。 从考量带有一个模块的单元开始。评估这些单元（通过训练它们并在一个验证集上计算它们的损失），然后使用观察得到的奖励来训练一个基于 RNN 的启发式函数（也被称为代理函数），其可以预测任何模型的奖励。 接着可以使用这个学习到的启发式函数来决定应该评估哪些带有 2 个模块的单元。在对它们进行了评估之后，再对这个启发式函数进行更新，重复这一过程，直到我们找到带有所想要的模块数量的优良单元。

• 参考论文：Progressive Neural Architecture Search

• 参考实现：

  url=https://github.com/rwightman/pytorch-image-models
  branch=master
  commit_id=7096b52a613eefb4f6d8107366611c8983478b19
  

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	RGB_FP32	batchsize x 3 x 331 x 331	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  class	batchsize x 1000	FLOAT32	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	1.8.1	-
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。

   pnasnet5large模型代码在timm里，安装timm，arm下需源码安装，参考https://github.com/rwightman/pytorch-image-models ，若安装过程报错请百度解决

   rm -r pytorch-image-models
   git clone https://github.com/rwightman/pytorch-image-models.git
   cd pytorch-image-models
   python3.7.5 setup.py install
   cd ..
   

2. 安装依赖。

   pip3.7.5 install -r requirements.txt
   

​

准备数据集

1. 获取原始数据集。

   该模型使用ImageNet官网的5万张验证集进行测试，图片与标签分别存放在 /home/datasets/imagenet/val 与 /home/datasets/imagenet/val_label.txt。

   解压后数据集目录结构：

   imagenet
   ├── val_label.txt    //验证集标注信息       
   └── val             // 验证集文件夹
   

2. 数据预处理。

   将原始数据转化为二进制文件（.bin）。

   执行imagenet_torch_preprocess.py脚本，生成数据集预处理后的bin文件，存放在当前目录下的prep_dataset文件夹中。

   python3.7.5 imagenet_torch_preprocess.py /home/datasets/imagenet/val ./prep_dataset
   

   • 参数说明
     • /home/datasets/imagenet/val：数据集的路径。
     • ./prep_dataset：生成的bin文件路径。

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。

      由于源代码问题，加载下载好的权重文件会报错，所以选择根据脚本自动下载权重文件。

   2. 导出onnx文件。

      1. 使用pnasnet5large_onnx.py导出onnx文件，脚本会自动下载权重文件。

         运行使用pnasnet5large_onnx.py脚本。

         python3.7.5 pnasnet5large_onnx.py pnasnet5large.onnx
         

         获得pnasnet5large.onnx文件。

         • 参数说明：
           • pnasnet5large.onnx：生成的onnx文件。

      2. 优化ONNX文件。

         python3.7.5 -m onnxsim  --overwrite-input-shape="-1,3,331,331" pnasnet5large.onnx pnasnet5large_sim.onnx
         

         获得pnasnet5large_sim.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
         

         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。

         使用atc将onnx模型转换为om模型文件，工具使用方法可以参考《CANN 开发辅助工具指南 (推理)》。生成转换batch size为16的om模型的命令如下，对于其他的batch size，可作相应的修改。

         atc --framework=5 --model=./pnasnet5large_sim.onnx --input_format=NCHW --input_shape="image:4,3,331,331" \
         --output=pnasnet5large_bs4 --log=error --soc_version=Ascend${chip_name}
         

         • 参数说明：
           • --framework：5代表ONNX模型。
           • --model：为ONNX模型文件。
           • --input_format：输入数据的格式。
           • --input_shape：输入数据的shape。
           • --output：输出的OM模型。
           • --log：日志级别。
           • --soc_version：处理器型号。

         运行成功后生成pnasnet5large_bs4.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。

      python3.7.5 -m ais_bench --model pnasnet5large_bs4.om --batchsize 4 --input ./prep_dataset --output ./result --outfmt "TXT" --device 0
      

      • 参数说明：

        • --model: 需要进行推理的om离线模型文件。
        • --batchsize: 模型batchsize。
        • --input: 模型需要的输入，指定输入文件所在的目录即可。
        • --output: 推理结果保存目录。结果会自动创建”日期+时间“的子目录，保存输出结果。可以使用--output_dirname参数，输出结果将保存到子目录output_dirname下。
        • --outfmt: 输出数据的格式。设置为"TXT"用于后续精度验证。
        • --device: 指定NPU运行设备。取值范围为[0,255]，默认值为0。

        推理后的输出默认在当前目录result下。

   3. 精度验证。

      调用RefineDet_postprocess.py脚本，可以获得Accuracy数据，精度结果保存在result_bs4.json中。

      python3.7.5 vision_metric_ImageNet.py result/2023_01_06-02_56_00 /home/datasets/imagenet/val_label.txt ./ result_bs4.json
      

      • 参数说明：
        • 第一个参数为生成推理结果所在路径,请根据ais_bench推理工具自动生成的目录名进行更改。
        • 第二个参数为数据集配套标签。
        • 第三个参数为生成文件的保存目录。
        • 第四个参数为生成的精度结果文件名。

   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：

       python3.7.5 -m ais_bench --model pnasnet5large_bs4.om --batchsize 4 --output ./result --loop 1000 --device 0
      

      • 参数说明：
        • --model：需要进行推理的om模型。
        • --batchsize：模型batchsize。不输入该值将自动推导。当前推理模块根据模型输入和文件输出自动进行组batch。参数传递的batchszie有且只用于结果吞吐率计算。请务必注意需要传入该值，以获取计算正确的吞吐率。
        • --output: 推理结果输出路径。默认会建立"日期+时间"的子文件夹保存输出结果。
        • --loop: 推理次数。默认值为1，取值范围为大于0的正整数。
        • --device: 指定NPU运行设备。取值范围为[0,255]，默认值为0。

   ​

模型推理性能&精度

调用ACL接口推理计算，精度和性能参考下列数据。

芯片型号	Batch Size	数据集	精度acc1	性能
300I Pro	1	ImageNet	81.76%	66.329
300I Pro	4	ImageNet	81.90%	203.256
300I Pro	8	ImageNet	81.14%	177.719
300I Pro	16	ImageNet	81.32%	164.340
300I Pro	32	ImageNet	81.20%	154.361
300I Pro	64	ImageNet	81.16%	148.531