Deepctr(WDL、xDeepFM、AutoInt)-推理指导

• 概述

• 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

  ---

概述

DeepCTR的设计主要是面向那些对深度学习以及CTR预测算法感兴趣的人，使他们可以利用这个包：从一个统一视角来看待各个模型; 快速地进行简单的对比实验; 利用已有的组件快速构建新的模型。

本实验实现了WDL、xDeepFM、AutoInt模型。

• 参考实现：

  url=https://github.com/shenweichen/DeepCTR
  commit_id=35288ae484d7a32887d6a75bdb48d84db992a892
  model_name=WDL/xDeepFM/Autoint
  

输入输出数据

• 输入数据

  输入数据	大小	数据类型	数据排布格式
  input	40 x 6	FLOAT16	ND

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  output	40 x 1	FLOAT16	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	22.0.3	Pytorch框架推理环境准备
CANN	6.0.RC1	-
Python	3.7.5	-
PyTorch	1.10.1	-
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. 获取源码。

   git clone https://github.com/shenweichen/DeepCTR.git
   git reset --hard 35288ae484d7a32887d6a75bdb48d84db992a892
   pip3 install -v -e .
   

2. 安装依赖。

   pip3 install --no-deps deepctr-torch
   pip3 install -U deepctr
   

准备数据集

1. 获取原始数据集。

   数据集采用代码自带的简单数据集，使用位置位于Deepctr/example/movielens_sample.txt。

    复制文件到我们的仓下    
    cp /usr/local/DeepCTR/examples/movielens_sample.txt /usr/local/deepctr/
   

2. 数据预处理。

   数据较简单，省略此步操作。

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。

      框架未开源相关权重文件，由于数据集较简单，可以使用train_checkpoint.py自行在gpu环境下训练。

      gpu环境下训练同样可以参照上述步骤获取源码和安装依赖，将train_checkpoint.py放于源码Deepctr/example目录下即可

        python3 train_checkpoint.py --model_name {model_name} --data_name_or_path "./movielens_sample.txt" --device_id {device_id}
      
        示例
        python3 train_checkpoint.py --model_name "WDL" --data_name_or_path "./movielens_sample.txt" --device_id 0
      

      • 参数说明：

        model_name：需要训练的模型权重名称，可以从三个中任选：xDeepFM,WDL,AutoInt

        data_name_or_path：数据集所在路径

        device_id: 使用的GPU号，按实际填写

        运行成功后在当前目录下生成model_name_weight.h5权重文件，本例为生成WDL_weight.h5。

        生成的权重文件同样转移到/usr/local/deepctr路径下

   2. 导出onnx文件。

      1. 使用export2onnx.py导出onnx文件。

         运行export2onnx.py脚本。

           mkdir model
           python3 export2onnx.py --model_name {model_name} --data_name_or_path "./movielens_sample.txt"
         
           示例
           python3 export2onnx.py --model_name "WDL" --data_name_or_path "./movielens_sample.txt"
         

         说明： 运行成功后在model文件夹下生成model_name.onnx模型文件，本例为生成WDL.onnx。

      2. 使用onnx-simplifier。

         按照链接下载onnx-simplifier[onnx-simplifier链接]

         cd model
         python3 -m onnxsim WDL.onnx WDL_sim.onnx
         

         说明： 按照实际，选择onnx模型，运行成功后在当前目录下生成model_name_sim.onnx模型文件，本例为生成WDL_sim.onnx。

      3. 改图。

         需要修改onnx，以达到提升性能的目的。

         python3 fix_graph.py --input_model {input_model_path} --output_model {output_model_path}
         
         示例
         python3 fix_graph.py --input_model "./model/WDL_sim.onnx" --output_model "./model/WDL_fix.onnx"
         

         • 参数说明：

           input_model：需要修改的onnx路径

           output_model：输出保存的onnx路径

           选择onnx模型，运行成功后在model文件夹下生成model_name_fix.onnx模型文件，本例为生成WDL_fix.onnx。

   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。

         bash deepctr_atc.sh ./model/WDL_fix.onnx ./model/WDL Ascend310P3
         

         • 参数说明： ./model/WDL_fix.onnx，onnx文件所在路径

           ./model/WDL，输出的om文件名称

           运行成功后在model文件夹下生成model_name.om模型文件，本例为生成WDL.om。

2. 开始推理验证。

   a. 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。

   b. 执行推理。

   python3 infer.py --model_path {input_model_path} --data_name_or_path "./movielens_sample.txt" --device_id {device_id}
   
   示例
   python3 infer.py --model_path ./model/WDL.om --data_name_or_path "./movielens_sample.txt" --device_id 0
   

   • 参数说明：

     • model_path：需要推理om模型的路径。
     • data_name_or_path：模型需要的数据集路径。
     • device_id：推理需要的卡号。 ...

   c. 精度验证。

   执行推理后自动输出结果。

   d. 性能验证。

   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 ./WDL.om --loop 1000 --batchsize 40
   
   

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。

芯片型号	model	Batch Size	数据集	精度	性能
300I Pro	WDL	40	movielens_sample	2.1479	0.079ms
300I Pro	xDeepFM	40	movielens_sample	1.9712	0.177ms
300I Pro	AutoInt	40	movielens_sample	2.1465	0.22ms