BertSum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

BertSum模型主要由句子编码层和摘要判断层组成，其中，句子编码层 通过BERT模型获取文档中每个句子的句向量编码，摘要判断层 通过三种不同的结构进行选择判断，为每个句子进行打分，最终选取最优的top-n个句子作为文档摘要。

url=https://github.com/nlpyang/BertSum
branch=master
commit_id=05f8c634197

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
  src	INT64	batchsize x seq_len	ND
  segs	INT64	batchsize x seq_len	ND
  clss	INT64	batchsize x seq_len	ND
  mask	BOOL	batchsize x seq_len	ND
  mask_cls	BOOL	batchsize x seq_len	ND

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  output	batch_size x class	FLOAT32	ND
  mask_cls	batch_size x class	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	1.0.17	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://gitcode.com/ascend/ModelZoo-PyTorch.git        # 克隆仓库的代码
   git checkout master         # 切换到对应分支
   cd ACL_PyTorch/contrib/nlp/BertSum              # 切换到模型的代码仓目录
   

2. 安装依赖。

   pip3 install -r requirements.txt
   

   其中pyrouge安装较为复杂，完整过程如下（部分依赖如果已安装，则可以跳过）：

   # 安装Berkeley DB library依赖
   sudo apt-cache search libdb  # 检查当前Berkeley DB library 的版本
   sudo apt-get install libdb5.3-dev  # 安装对应DB版本
   # 安装Perl解释器的DB_File模块
   wget http://www.cpan.org/authors/id/P/PM/PMQS/DB_File-1.835.tar.gz
   tar -zxvf DB_File-1.835.tar.gz
   cd DB_File-1.835
   perl Makefile.PL
   make
   make test # if %%%看到PASS为成功
   sudo make install
   # 安装pyrouge库
   pip3 install pyrouge==0.1.3
   # 下载pyrouge源码
   git clone https://github.com/andersjo/pyrouge.git
   cd pyrouge && git checkout 3b6c415204dbc2c8360a01d92533441f4aae95eb
   pyrouge_set_rouge_path ${work_path}/pyrouge/tools/ROUGE-1.5.5  # 需要为绝对路径, ${work_path}为仓代码路径
   # 需要重新编译WordNet的DB文件
   cd tools/ROUGE-1.5.5/data
   rm WordNet-2.0.exc.db
   cd WordNet-2.0-Exceptions
   cd data/WordNet-2.0-Exceptions/
   ./buildExeptionDB.pl . exc WordNet-2.0.exc.db
   cd ../
   # 软链新生成的文件
   ln -s WordNet-2.0-Exceptions/WordNet-2.0.exc.db WordNet-2.0.exc.db
   cd ${work_path}  # 返回原始目录
   

3. 获取开源代码仓。 在已下载的源码包根目录下，执行如下命令。

   git clone https://github.com/nlpyang/BertSum.git
   cd BertSum && git checkout 05f8c634197
   patch -p1 < bertsum.patch
   cd ..
   

准备数据集

1. 获取原始数据集。

   本模型采用仓内自带的预处理数据，放到bert_data目录下（如不存在，则需要自行创建）。

   数据目录结构请参考：

   ├──bert_data
    ├──cnndm.test.0.pt
    ├──...
   

2. 数据预处理。

   数据预处理将原始数据集转换为模型输入的数据。

   执行“BertSum_preprocess.py”脚本，完成预处理。

   python BertSum_pth_preprocess.py -bert_data_path ./bert_data/cnndm -out_path ./prep_data
   

   • 参数说明：

     -bert_data_path：原始数据集所在路径

     -out_path: 预处理结果所在路径。

运行成功后，在当前./prep_data目录下生成二进制文件夹。

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。

      获取训练好的模型（提取码：e0nv ）放到当前目录。

   2. 导出onnx文件。

      1. 使用脚本导出onnx文件。

         运行BertSum_pth2onnx.py脚本。

         python3 BertSum-pth2onnx.py  -bert_data_path ./bert_data/cnndm -onnx_path bertsum_13000_9.onnx -pth_path model_step_13000.pt
         

         • 输入参数说明：
           • -bert_data_path: 原始预处理数据路径。
           • -onnx_path: 输出onnx文件路径。
           • -pth_path: 模型权重路径。

         获得bertsum_13000_9.onnx文件。

      2. 优化ONNX文件。

         # 以bs1为例
         python -m onnxsim ./bertsum_13000_9.onnx ./bertsum_13000_9_sim_bs1.onnx --input-shape "src:1,512" "segs:1,512" "clss:1,37" "mask:1,512" "mask_cls:1,37"
         

   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。

         # 以bs1为例
         atc --input_format=ND --framework=5 --model=./bertsum_13000_9_sim_bs1.onnx --input_shape="src:1,512;segs:1,512;clss:1,37;mask:1,512;mask_cls:1,37" --output=bertsum_13000_9_sim_bs1 --log=error --soc_version=Ascend310
         

         • 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bertsum_13000_9_sim_bs1.om模型文件。

2. 开始推理验证。

   1. 使用ais-bench工具进行推理。

      ais-bench工具获取及使用方式请点击查看[ais_bench 推理工具使用文档]

   2. 执行推理。

      # 以bs1为例
      python3 -m ais_bench --model "./bertsum_13000_9_sim_bs1.om" --input "./prep_data/pre_data/src,./prep_data/pre_data/segs,./prep_data/pre_data/clss,./prep_data/pre_data/mask,./prep_data/pre_data/mask_cls" --output "./results" --output_dirname bs1 --batchsize 1
      

      • 参数说明：

        • --model：om文件路径。
        • --input：输入文件。
        • --output：输出目录。
        • --output_dirname：输出文件名。
        • --batchsize：模型对应batchsize。

      推理后的输出默认在当前目录results/bs1下。

   3. 精度验证。

   调用BertSum_postprocess.py脚本与数据集标签比对，获得Accuracy数据。

   mkdir temp  # 创建临时存储文件
   python BertSum_pth_postprocess.py -bert_data_path ./bert_data/cnndm -bert_config_path BertSum/bert_config_uncased_base.json -result_dir ./results/bs1
   

   • 输入参数说明：
     • -bert_data_path：原始数据路径。
     • -bert_config_path： 模型配置路径。
     • -result_dir: 推理结果路径。

模型推理性能&精度

精度参考下列数据:

device	ROUGE-1 Average_R
基准	42.96%
300I Pro	42.85%

性能参考下列数据。

| 模型 | 基准性能 | 300I Pro性能 |

BertSum bs1	61.538fps	136.33fps
BertSum bs4	-	133.11fps
BertSum bs8	-	138.09fps
BertSum bs16	-	138.06fps
BertSum bs32	-	137.42fps
BertSum bs64	-	118.94fps