C51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&性能

  ---

概述

C51是一种值分布强化学习算法，C51算法的框架依然是DQN算法，采样过程依然使用epsilon-greedy策略取期望贪婪，并且采用单独的目标网络。与DQN算法不同的是，C51算法的卷积神经网络不再是行为值函数，而是支点处的概率，C51算法的损失函数不再是均方而是KL散度。

• 参考实现：

  url=https://github.com/ShangtongZhang/DeepRL
  branch=master
  commit_id=13dd18042414ad112bd0bd383a836d8d739e8acf
  model_name=C51
  

  通过Git获取对应commit_id的代码方法如下：

  git clone {repository_url}        # 克隆仓库的代码
  cd {repository_name}              # 切换到模型的代码仓目录
  git checkout {branch/tag}         # 切换到对应分支
  git reset --hard {commit_id}      # 代码设置到对应的commit_id（可选）
  cd {code_path}                    # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换
  

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	1 x 4 x 84 x 84	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output	FLOAT32	1 x 4 x 51	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	6.0.0	-
Python	3.7.5	-
PyTorch	1.8.0	-

快速上手

获取源码

1. 获取源码。

   git clone https://github.com/ShangtongZhang/DeepRL
   cd DeepRL
   git apply ../c51-infer-update.patch
   cd ..
   

2. 安装依赖。

   pip3 install -r requirements.txt
   pip3 install mpi4py
   git clone https://github.com/openai/baselines.git
   cd baselines
   pip3 install -e .
   cd ..
   

   说明： pip在线安装requirements.txt中tensorflow==2.6.0仅支持x86架构

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）

   该模型没有原始输入的数据集，故而将在线推理的输入输出保存作为数据集和标签

2. 数据预处理。

   将在线推理生成的输入输出保存为pt文件，并将输入pt文件转成bin。

   1. 执行“c51_preprocess.py”脚本，完成预处理。

      通过训练获取c51.model权重文件和c51.stats模型配置文件。

      python3 c51_preprocess.py c51.model c51.stats dataset/states dataset/actions 1000
      

      • 参数说明：

        • “c51.model”：权重文件

        • “c51.stats”：模型配置文件

        • “dataset/states”：stats输出的二进制文件（.pth）所在路径

        • “dataset/actions”：action输出的二进制文件（.pth）所在路径

      运行成功后生成文件：

      dataset/states与actions目录下将分别生成stats与action输出的二进制文件

   2. 生成数据集bin文件

      运行“get_dataset_bin.py”脚本。

      python3 get_dataset_bin.py dataset/states dataset/bin dataset/out
      

      • 参数说明：

        • “dataset/states”：预处理后的数据文件的相对路径

        • “dataset/bin”：生成的数据集文件保存的路径

        • “dataset/out”：bin文件推理后的保存根目录

      运行成功后生成文件：

      dataset/bin目录下生成数据集bin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。

      c51.model

   2. 导出onnx文件。

      使用c51.model导出onnx文件。

      运行c51_pth2onnx.py脚本。

      python3 c51_pth2onnx.py --model-path='c51.model' --onnx-path='c51.onnx'
      

      获得c51.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-smi 22.0.0                       Version: 22.0.2                                       |
             +-------------------+-----------------+------------------------------------------------------+
             | NPU     Name      | Health          | Power(W)     Temp(C)           Hugepages-Usage(page) |
             | Chip    Device    | Bus-Id          | AICore(%)    Memory-Usage(MB)                        |
             +===================+=================+======================================================+
             | 0       310P3     | OK              | 17.0         56                0    / 0              |
             | 0       0         | 0000:AF:00.0    | 0            934  / 23054                            |
             +===================+=================+======================================================+
         

      3. 执行ATC命令。

         atc --framework=5 --model=c51.onnx --output=c51_bs1 --input_format=NCHW --input_shape="input:1,4,84,84" --log=error --soc_version=${chip_name}  --op_select_implmode=high_performance
         

         • 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
           • --op_select_implmode: 高性能模式

         运行成功后生成c51_bs1.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 -m ais_bench --model=c51_bs1.om --input dataset/bin  --output dataset/out/ --outfmt TXT --batchsize 1
      

      • 参数说明：

        • --model：om模型的路径

        • --input：输入的bin文件目录

        • --output：推理结果输出路径

        • --outfmt：输出数据的格式

        • --batchsize：模型输入批次大小

      说明： 执行ais_bench工具请选择与运行环境架构相同的命令。

   3. 精度验证。

      调用脚本与数据集标签比对，可以获得Accuracy数据。

      python3 c51_postprocess.py dataset/actions dataset/out/${time_stamp} 1000
      

      • 参数说明：

        • “dataset/actions”：保存的输出action的路径

        • “dataset/out/${time_stamp}”：离线推理结果的路径

        • “1000”：参数输出比较的个数

   4. 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 c51_bs1.om --loop 1000 --batchsize 1
      

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。

batch_size	300I PRO
bs1	6050.12fps

精度参考下列数据。

|----------|-------| | 300I PRO精度 | 98.9% |

注：此模型不支持多batch。