Spnasnet_100 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

SPNASNet_100是一个经典的图像分类网络，其自动的为移动端设备设计高精度低延时的网络，提出了单支路的神经架构搜索模型。新提出的架构可以在4小时内完成搜索，包括新的单支路搜索方法，利用共享卷积核参数将冗余参数化的卷积编码全部的架构决策空间，提高了搜索效率，实现了高精度

• 参考论文：

  Single-Path NAS: Designing Hardware-Efficient ConvNets in less than 4 Hours

• 参考实现：

  url=https://github.com/rwightman/pytorch-image-models
  commit_id=54a6cca27a9a3e092a07457f5d56709da56e3cf5
  

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
  actual_input_1	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	RGB_FP32	batchsize x 1000	NCHW

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	1.0.17	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.12.1	-
  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. 获取本仓源码

2. 安装第三方源码库（即安装 timm 库）

   git clone https://github.com/rwightman/pytorch-image-models.git
   cd pytorch-image-models
   git reset --hard 54a6cca27a9a3e092a07457f5d56709da56e3cf5
   python3 -m pip install e .
   cd ..
   

3. 安装依赖。

   pip3 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验证集进行推理测试 ，用户自行获取数据集后，将文件解压并上传数据集到任意路径下。数据集目录结构如下所示：

   imageNet/
   |-- val
   |   |-- ILSVRC2012_val_00000001.JPEG
   |   |-- ILSVRC2012_val_00000002.JPEG
   |   |-- ILSVRC2012_val_00000003.JPEG
   |   ...
   |-- val_label.txt
   ...
   

2. 数据预处理，将原始数据集转换为模型的输入数据。

   执行 spnasnet_100_preprocess.py 脚本，完成数据预处理。

   python3 spnasnet_100_preprocess.py ${data_dir} ${save_dir} 
   

   参数说明：

   • --data_dir：原数据集所在路径。
   • --save_dir：生成数据集二进制文件。

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。

      该权重文件由NPU训练得到，点击获取model_best.pth.tar。

   2. 导出onnx文件。

      1. 使用spnasnet_100_pthtar2onnx.py导出动态batch的onnx文件。

         python3 spnasnet_100_pthtar2onnx.py ${pthtar_file} ${onnx_file}
         

         参数说明：

         • --pthtar_file：权重文件。
         • --onnx_file：生成 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                            |
         +===================+=================+======================================================+
         

   4. 执行ATC命令。

       # bs = [1, 4, 8, 16, 32, 64]
       atc --model=${onnx_file} --framework=5 --output=spnasnet_100_bs${bs} \
       --input-shape="actual_input_1:${bs},3,224,224" --log=error --soc_version=Ascend${chip_name}
      

      运行成功后生成spnasnet_100_bs${bs}.om模型文件。

      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。

   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 -m ais_bench --model=spnasnet_100_bs${bs}.om  --batchsize=${bs} \
      --input ${save_dir} --output result --output_dirname result_bs${bs} --outfmt TXT
      

      参数说明：

      • --model：om模型路径。
      • --batchsize：批次大小。
      • --input：输入数据所在路径。
      • --output：推理结果输出路径。
      • --output_dirname：推理结果输出子文件夹。
      • --outfmt：推理结果输出格式

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 spnasnet_100_postprocess.py ${result_dir} ${gt_file} result.json
   

   参数说明：

   • --result_dir：推理结果所在路径，这里为 ./result/result_bs${bs}。
   • --gt_file：真值标签文件val_label.txt所在路径。

4. 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 -m ais_bench --model=spnasnet_100_bs${bs}.om --loop=500 --batchsize=${bs}
   

   参数说明：

   • --model：om模型路径。
   • --batchsize：批次大小。

模型推理性能&精度

调用ACL接口推理计算，spnasnet_100模型的性能和精度参考下列数据。

芯片型号	Batch Size	数据集	开源精度	精度指标1（Acc@1）	精度指标2（Acc@5）
300I Pro	1	ImageNet	链接	74.19%	91.95%

芯片型号	Batch Size	性能（FPS）
300I Pro	1	2507.43
300I Pro	4	6374.19
300I Pro	8	8408.12
300I Pro	16	6658.26
300I Pro	32	6063.94
300I Pro	64	5043.26