Nasnetlarge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

SPNASNet100是通过网络搜索技术得到的精度与效率权衡的卷积神经网络，用于图像分类任务。

• 参考实现：

  url=https://github.com/Cadene/pretrained-models.pytorch.git
  commit_id=b8134c79b34d8baf88fe0815ce6776f28f54dbfe
  code_path=ACL_PyTorch/contrib/cv/detection/Nasnetlarge
  model_name=Nasnetlarge
  

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 331x 331	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FP32	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	1.0.17	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.8.0	-
  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/Cadene/pretrained-models.pytorch 
   cd pretrained-models.pytorch
   python3 setup.py install
   

2. 安装依赖。

   pip3 install -r requirements.txt
   

   注：在获取源码前建议先执行2.安装依赖，获取源码中python3 setup.py install 需要用到一些依赖文件。已在requirements.txt中列出。

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：/opt/npu/）。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。目录结构如下：

   ├── ImageNet
   ├── val
   ├── val_label.txt  
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   将原始数据（.jpeg）转化为二进制文件（.bin）。

   执行preprocess_img.py脚本，完成预处理。

   python3 preprocess_img.py ${datasets} ${prep_dataset}
   

   • 参数说明：
     • ${datasets}：原始数据验证集（.jpeg）所在路径,例如：/opt/npu/ImageNet/val。
     • ${prep_dataset}：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.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。

      从源码包中获取权重文件nasnetalarge-a1897284.pth。

      wget http://data.lip6.fr/cadene/pretrainedmodels/nasnetalarge-a1897284.pth
      

   2. 导出onnx文件。

      1. 使用nasnetlarge_pth2onnx.py导出onnx文件。

         运行nasnetlarge_pth2onnx.py脚本。

         python3 nasnetlarge_pth2onnx.py nasnetalarge-a1897284.pth nasnetlarge.onnx
         

         获得nasnetlarge.onnx文件。

      2. 优化ONNX文件。

         使用onnxsim，生成不同batch size的onnx_sim模型文件

         python3 -m onnxsim --input-shape="1,3,331,331" nasnetlarge.onnx nasnetlarge_sim1.onnx
         

         获得nasnetlarge_sim1.onnx文件。

      3. 不同bs算子融合优化。

         git clone https://gitcode.com/ascend/msadvisor.git
         cd /msadvisor/auto-optimizer
         pip3 install -r requirements.txt
         python3 setup.py install 
         cd ../..
         python3 -m auto_optimizer opt nasnetlarge_sim1.onnx nasnetlarge_sim1_merge.onnx -k KnowledgeMergeConsecutiveSlice
         

         获得nasnetlarge_sim1_merge.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 --framework=5 --model=nasnetlarge_sim1_merge.onnx --input_format=NCHW --input_shape="image:1,3,331,331" --output=nasnetlarge_sim1_merge.onnx --log=debug --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nasnetlarge_sim1_merge.onnx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 -m ais_bench --model nasnetlarge_sim1_merge.onnx --input ./prep_dataset --output ./result/ --output_dirname bs1 --outfmt TXT --batchsize 1
      

      • 参数说明：

        • --model：om模型。
        • --input：预处理数据集路径。
        • --output：推理结果所在路径。
        • ----output_dirname：推理结果输出子文件夹。可选参数。与参数output搭配使用，单独使用无效。设置该值时输出结果将保存到 output/output_dirname文件夹中 。
        • --outfmt：推理结果文件格式。
        • --batchsize：不同的batchsize。

      推理后的输出默认在当前目录result下。

   3. 精度验证。

      调用imagenet_acc_eval.py脚本推理结果与label比对，可以获得Accuracy Top5数据。，结果保存在result.json中。

       python3 imagenet_acc_eval.py result/bs1/ /opt/npu/imagenet/val_label.txt ./ result.json
      

      • 参数说明：

        • result/bs1/：为生成推理结果所在路径
        • /opt/npu/imagenet/val_label.txt：标签数据。
        • ./ ： 生成结果文件路径
        • result.json：生成结果文件名称。

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。

精度对比：

Model	Nasnetlarge
标杆精度	top1：82.56% top5：96.08%
300I Pro精度	top1：82.5% top5：96.02%

性能对比：

芯片型号	Batch Size	数据集	性能
300I Pro	1	ILSVRC2012	153.316
300I Pro	4	ILSVRC2012	175.744
300I Pro	8	ILSVRC2012	162.623
300I Pro	16	ILSVRC2012	146.502
300I Pro	32	ILSVRC2012	135.831
300I Pro	64	ILSVRC2012	113.459

公网地址说明

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