CGAN模型-推理指导

概述
- 输入输出数据
推理环境准备
快速上手

概述

CGAN(条件生成对抗网络,Conditional Generative Adversarial Nets）是生成对抗网络(GAN)的条件版本.可以通过简单地向模型输入数据来构建.在无条件的生成模型中，对于生成的数据没有模式方面的控制，很有可能造成模式坍塌．而条件生成对抗网络的思想就是通过输入条件数据，来约束模型生成的数据的模式．输入的条件数据可以是类别标签，也可以是训练数据的一部分，又甚至是不同模式的数据．CGAN的中心思想是希望可以控制 GAN 生成的图片，而不是单纯的随机生成图片。

参考实现：

url=https://github.com/znxlwm/pytorch-generative-model-collections
commit_id=0d183bb5ea2fbe069e1c6806c4a9a1fd8e81656f
code_path=CGAN.py
model_name=CGAN

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 FP32 100 x 72 HW
输出数据

输出数据数据类型大小数据排布格式

output1 FLOAT32 100 x 3 x 28 x 28 NCHW

输入数据	数据类型	大小	数据排布格式
input	FP32	100 x 72	HW

输出数据	数据类型	大小	数据排布格式
output1	FLOAT32	100 x 3 x 28 x 28	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	22.0.3	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

安装依赖。
```
pip3 install -r requirements.txt
```

准备数据集

获取原始数据集。（解压命令参考tar –xvf *.tar与 unzip *.zip）

CGAN使用的是随机数作为生成网络的输入。
数据预处理，将随机数转换为模型输入的数据。

执行CGAN_preprocess.py脚本，完成预处理。
```
python3  CGAN_preprocess.py --save_path=./prep_dataset
```
参数说明：--save_path指定数据保存路径。

模型推理

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。

获取权重文件。

权重文件为：CGAN_G.pth
将获取的权重文件放在当前工作路径下。
导出onnx文件。
1. 使用CGAN_pth2onnx.py导出onnx文件。
  
  运行CGAN_pth2onnx.py脚本。
```
python3 CGAN_pth2onnx.py --pth_path=./CGAN_G.pth --onnx_path=./CGAN.onnx
```
  参数说明：--pth_path表示pth路径，--onnx_path表示保存的onnx模型路径。获得CGAN.onnx文件。
2. 使用onnx-simplifier优化模型。
```
 python3 -m onnxsim --input-shape="100,72" CGAN.onnx CGAN_sim.onnx
```
  参数说明：通过命令python3 -m onnxsim -h查看。
  
  获得CGAN_sim.onnx文件。

使用ATC工具将ONNX模型转OM模型。

配置环境变量。

 source /usr/local/Ascend/ascend-toolkit/set_env.sh

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                            |
+===================+=================+======================================================+

执行ATC命令。

atc --framework=5 \
   --model=CGAN_sim.onnx \
   --output=CGAN_bs1 \
   --input_format=ND \
   --output_type=FP32 \
   --input_shape="image:100,72" \
   --log=error \
   --soc_version=Ascend${chip_name}

参数说明：通过atc -h命令查看。

运行成功后生成CGAN_bs1.om模型文件。

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=CGAN_bs1.om \
    --output=./ \
    --outfmt=BIN \
    --input=prep_dataset \
    --batchsize=1
```
  - 参数说明：通过命令'python3 -m ais_bench -h'命令查看。
  推理后的输出保存在当前目录下。
3. 精度验证。
  
  调用CGAN_postprocess.py脚本将om模型的推理结果转化为图像。
```
 python3 CGAN_postprocess.py \
      --bin_out_path=${results_path} \
      --save_path=./result
```
- 参数说明：
```
  -   --bin_out_path：om推理结果路径。
  -   --save_path：为转化图像的生成路径。
```
运行后在--save_path指定的目录保存转化的图像，生成的图片名称为result.png。

精度比对方法：om模型的推理图像result.png中包含手写数字效果，与开源链接中展示的在视觉效果上一致。
1. 性能验证。
  
  可使用ais_bench推理工具的纯推理模式验证om模型的性能，参考命令如下：
```
 python3 -m ais_bench \
    --model=CGAN_bs1.om \
    --loop=20 \
    --batchsize=1
```
  - 参数说明：通过命令'python3 -m ais_bench -h'命令查看。

公网地址说明

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