DCGAN模型-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

DCGAN是生成对抗网络GAN中一种常见的模型结构。其中的生成器和判别器都是神经网络模型。DCGAN是GAN的一个变体，DCGAN就是将CNN和原始的GAN结合到一起，生成网络和鉴别网络都运用到了深度卷积神经网络。DCGAN提高了基础GAN的稳定性和生成结果质量。

• 参考实现：

  url=https://github.com/eriklindernoren/PyTorch-GAN.git
  branch=master
  commit_id=36d3c77e5ff20ebe0aeefd322326a134a279b93e
  model_name=DCGAN
  

  通过Git获取对应commit_id的代码方法如下：

  git clone https://github.com/eriklindernoren/PyTorch-GAN.git   # 克隆仓库的代码
  cd PyTorch-GAN                                                 # 切换到模型的代码仓目录
  git reset 36d3c77e5ff20ebe0aeefd322326a134a279b93e --hard      # 切换到对应分支
  

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	noise_FP16	batchsize x 100 x 1 x 1	NCHW

• 输出数据

  输入数据	数据类型	大小	数据排布格式
  output	GREY_FP16	batchsize x 1 x 28 x 28	NCHW

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	1.0.15	Pytorch框架推理环境准备
CANN	5.1.RC2	-
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

上传源码包到服务器任意目录并解压

├── checkpoint-amp-epoch_200.pth    //DCGAN pth模型
├── ReadMe.md
├── dcgan.patch                     //patch文件，修改开源代码仓代码  
├── dcgan_acc_eval.py               //pth与om各自生成结果的精度验证脚本 
├── dcgan_postprocess.py            //将离线推理得到的bin文件可视化为PNG图像
├── dcgan_preprocess.py             //采样生成输入DCGAN模型的随机噪声 
├── dcgan_pth_result.py             //基于pth文件在cpu上利用预生成的随机噪声生成结果，用以之后的精度对比
├── dcgan_pth2onnx.py               //pth转onnx的python脚本  
└── requirements.txt                //环境依赖文件

1. 获取源码。

git clone https://github.com/eriklindernoren/PyTorch-GAN.git
cd PyTorch-GAN
git reset 36d3c77e5ff20ebe0aeefd322326a134a279b93e --hard
mv ../dcgan.patch ./
git apply dcgan.patch
cd ..

2. 安装依赖。

pip3 install -r requirements.txt

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）

   DCGAN的模型输入是随机噪声，无需下载原始数据集。

2. 数据预处理。(请拆分sh脚本，将命令分开填写)

   数据预处理将从正态分布中采样随机噪声作为模型的输入。默认设置下噪声样本数为8192。

   执行dcgan_preprocess.py脚本，完成预处理。

   python3 dcgan_preprocess.py ./prep_dataset
   

   • 参数说明：
     • ./prep_dataset 输出的二进制文件（.bin）所在路径

   运行成功后会生成名为prep_dataset目录，其中包含裁剪后的图像，并以bin的格式存储。

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DCGAN预训练权重文件:checkpoint-amp-epoch_200.pth

   2. 导出onnx文件。

      1. 使用checkpoint-amp-epoch_200.pth导出onnx文件。

         运行dcgan_pth2onnx.py脚本。

         python3 dcgan_pth2onnx.py ./checkpoint-amp-epoch_200.pth ./dcgan.onnx
         

         • 参数说明：
           • ./checkpoint-amp-epoch_200.pth: 为pth模型路径
           • ./dcgan.onnx: 为导出的onnx模型路径

         最终获得dcgan.onnx文件。

      2. 使用onnx-simplifier工具简化原始onnx文件。

         python3.7 -m onnxsim --input-shape=1,100,1,1 dcgan.onnx dcgan_sim_bs{batch_size}.onnx
         

         最终获得dcgan_sim_bs{batch_size}.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     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=./dcgan_sim_bs{batch_size}.onnx --output=dcgan_sim_bs{batch_size} --input_format=NCHW --input_shape="noise:{batch_size},100,1,1" --log=error --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dcgan_sim_bs{batch_size}.om模型文件。

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 -m ais_bench --model=./dcgan_sim_bs{batch_size}.om --batchsize=${batchsize} --output=./result --input=./prep_dataset --loop=2000
   

   • 参数说明：
     • --model：om模型路径
     • --batchsize：batchisize大小
     • --output: 输出路径
     • --input：输入bin文件目录
     • --loop: 循环测试轮数

   推理后的输出默认在当前目录result下。

   c. 精度验证。

   1. 调用“dcgan_pth_result.py”脚本生成pth模型在cpu上的结果。输入数据是之前生成的“prep_dataset”数据集。

      python3 dcgan_pth_result.py --checkpoint_path=./checkpoint-amp-epoch_200.pth --dataset_path=./prep_dataset --save_path=./pth_result
      

      • 参数说明：
        • --checkpoint_path：权重文件所在路径
        • --dataset_path：数据集路径
        • --save_path: 输出路径

   2. 调用“dcgan_acc_eval.py”脚本对比cpu生成结果与npu生成结果。执行以下命令生成batchsize1的精度对比结果。

      python3 dcgan_acc_eval.py --pth_result_path=./pth_result/ --om_result_path=./result/dumpOutput_device0/ --log_save_name=dcgan_acc_eval_bs{batch_size}.log
      

      • 参数说明：
        • --pth_result_path：pth文件生成结果路径
        • --om_result_path：推理结果路径
        • --log_save_name: 精度结果log文件

   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=./dcgan_sim_bs{batch_size}.om --batchsize=${batchsize} --output=./result --input=./prep_dataset
   

   • 参数说明：
     • --model：om模型路径
     • --batchsize：batchisize大小
     • --output: 输出路径
     • --input：输入bin文件目录

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。

1. 性能对比

Throughput	300I PRO	T4	300I PRO/T4
bs1	7573.250	9330.62	0.81
bs4	34988.598	23644.02	1.48
bs8	55657.639	18339.4121	3.03
bs16	83132.896	23854.8907	3.48
bs32	108781.75	26682.0088	4.08
最优batch	108781.75	26682.01	4.08

2. 精度对比

由于模型是GAN模型适用于手写数字生成的任务，因此输出没有基准精度，此处通过比较cpu生成结果与npu生成结果，并计算相似性。

精度数据为：100%

模型	batchsize	精度(mean)	精度(cosine)	精度(acc)
DCGAN	bs1	0.0004	1.0	100.0%
DCGAN	bs4	0.0004	1.0	100.0%
DCGAN	bs8	0.0004	1.0	100.0%
DCGAN	bs16	0.0004	1.0	100.0%
DCGAN	bs32	0.0004	1.0	100.0%

log:

noise_0000_0.bin : mean ==> 0.0004 , cos ==> 1.0000
noise_0001_0.bin : mean ==> 0.0004 , cos ==> 1.0000
noise_0002_0.bin : mean ==> 0.0004 , cos ==> 1.0000
noise_0003_0.bin : mean ==> 0.0004 , cos ==> 1.0000
noise_0004_0.bin : mean ==> 0.0005 , cos ==> 1.0000
noise_0005_0.bin : mean ==> 0.0004 , cos ==> 1.0000
...
...
...
noise_8186_0.bin : mean ==> 0.0004 , cos ==> 1.0000
noise_8187_0.bin : mean ==> 0.0004 , cos ==> 1.0000
noise_8188_0.bin : mean ==> 0.0004 , cos ==> 1.0000
noise_8189_0.bin : mean ==> 0.0004 , cos ==> 1.0000
noise_8190_0.bin : mean ==> 0.0005 , cos ==> 1.0000
noise_8191_0.bin : mean ==> 0.0004 , cos ==> 1.0000
mean : 0.0004, cosine : 1.0000, acc : 100.00%