ACE模型-推理指导
概述
ACE是一个用于自动搜索结构化预测任务的良好嵌入连接的框架。
- 参考实现：
url=https://github.com/Alibaba-NLP/ACE.git commit_id=bafa07c39b8a5b2753a770362dc42f2a0526c4d3 model_name=ACE branch=master code_path=PyTorch/nlp/ACE
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 sentence_tensor FLOAT32 batchsize x 124 x 24876 ND lengths_tensor INT32 batchsize ND -
输出数据
输出数据 大小 数据类型 数据排布格式 features batchsize x 124 x 20 FLOAT32 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 1.0.15 Pytorch框架推理环境准备 CANN 6.0.RC1 - Python 3.7.5 - PyTorch 1.8.1 - 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
-
获取开源代码。
git clone https://github.com/Alibaba-NLP/ACE.git -b main cd ACE git reset --hard bafa07c39b8a5b2753a770362dc42f2a0526c4d3 patch -p1 < ../ACE.patch cd .. -
安装依赖。
pip3 install -r requirements.txt
准备数据集
-
获取原始数据集。 将数据集 下载后，在用户的根目录创建
.flair/目录，将数据集解压后的datasets目录移到.flair/下。 解压后数据集目录结构如下:datasets |-- conll_03_english | |-- train.txt | |-- testa.txt | |-- testb.txt以root用户为例，在
/root下创建.flair/目录，将数据集解压后的datasets目录移到/root/.flair/中。 -
获取权重文件。
将权重文件ace.pth 下载到本地后解压到ACE/resources/taggers/目录。 -
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ace_preprocess.py脚本，完成预处理。
python3.7 ace_preprocess.py \ --config ./ACE/config/doc_ner_best.yaml \ --pre_data_save_path ./pre_data_bs${batch_size} \ --batch_size ${batch_size}- 参数说明：
- --config：模型配置文件路径。
- --pre_data_save_path：预处理后bin文件保存路径。
- --batch_size：生成数据集对应的batch size。
- 参数说明：
说明：
在预处理代码里student = config.create_student(nocrf=False),需要从网上下载相关文件，可能会存在无法下载的问题。 解决方法：
1.下载transformers.tar 后，解压到~/.cache/torch/,
2.下载embeddings.tar 后，解压到~/.flair/,
3.下载allennlp.tar 后，解压到~/，
4.下载bert.tar 后，将里面的文件解压后放在当前目录（ModelZoo-PyTorch/ACL_PyTorch/contrib/nlp/ACE）目录下。
预处理可正常运行
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。
-
导出onnx文件。
-
使用pth2onnx.py导出onnx文件。
运行pth2onnx.py脚本。
python3.7 pth2onnx.py \ --config ./ACE/config/doc_ner_best.yaml \ --batch_size ${batch_size} \ --onnx_dir ./- 参数说明：
- --config：模型权重文件路径。
- --batch_size：生成数据集对应的batch size。
- --onnx_dir：onnx文件的保存路径。
获得ace_bs${batch_size}.onnx文件。
- 参数说明：
-
优化ONNX文件。
python3.7 -m onnxsim ace_bs${batch_size}.onnx ace_bs${batch_size}_sim.onnx获得ace_bs${batch_size}_sim.onnx文件。
-
使用ATC工具将ONNX模型转OM模型。
-
配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh说明： 该脚本中环境变量仅供参考，请以实际安装环境配置环境变量。详细介绍请参见《CANN 开发辅助工具指南 (推理)》。
-
执行命令查看芯片名称（${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=./ace_bs${batch_size}_sim.onnx \ --output=./ace_bs${batch_size}_sim \ --input_format=ND \ --input_shape="sentence_tensor:${batch_size},124,24876;lengths_tensor:${batch_size}" \ --soc_version=Ascend${chip_name} \ --log=error- 参数说明：
- --model：为ONNX模型文件。
- --framework：5代表ONNX模型。
- --output：输出的OM模型。
- --input_format：输入数据的格式。
- --input_shape：输入数据的shape。
- --log：日志级别。
- --soc_version：处理器型号。
运行成功后生成 ace_bs${batch_size}_sim.om 模型文件。
- 参数说明：
-
-
-
-
开始推理验证。
-
使用ais-infer工具进行推理。
ais-infer工具获取及使用方式请点击查看[ais_infer 推理工具使用文档] -
执行推理。
mkdir out_data_bs${batch_size} python3.7 ${ais_infer_path}/ais_infer.py \ --model=./ace_bs${batch_size}_sim.om \ --input=./pre_data_bs${batch_size}/sentence/,./pre_data_bs${batch_size}/lengths \ --output=./out_data_bs${batch_size}/ \ --outfmt=BIN --batchsize ${batch_size}- 参数说明：
- --model：om文件路径。
- --input：输入名及文件路径。
- --output：输出路径。
- --outfmt：输出文件格式。
- --batch_size 生成数据集对应的batch size。
推理后的输出默认在当前目录out_data_bs${batch_size}下。
说明： 执行ais-infer工具请选择与运行环境架构相同的命令。参数详情请参见《ais_infer 推理工具使用文档》。
- 参数说明：
-
精度验证。
调用脚本进行后处理，可以获得翻译结果，并得到分数，译文保存在res_data/accuracy.txt中。
python3.7 ace_postprocess.py \ --config ./ACE/config/doc_ner_best.yaml \ --bin_file_path ./out_data_bs${batch_size}/2022_xx_xx-xx_xx_xx/ \ --batch_size ${batch_size} --res_file_path ./res_data- 参数说明：
- --config：模型配置文件路径。
- --bin_file_path：ais_infer自动生成的目录名。
- --batch_size：生成数据集对应的batch size。
- --res_file_path：推理结果保存在该目录的 accuracy.txt 文件中。
- 参数说明：
-
性能验证。
使用ais-infer工具进行纯推理，获得性能数据。
python3.7 ${ais_infer_path}/ais_infer.py \ --model=./ace_bs${batch_size}_sim.om \ --loop 50 --batchsize ${batch_size}- 参数说明：
- --model：om模型文件路径。
- --loop：循环次数。
- --batch_size：生成数据集对应的batch size。
- 参数说明：
-
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 | Batch Size | 数据集 | 精度 | 性能 |
|---|---|---|---|---|
| 300I Pro | 1 | CoNLL 2003 English (document-level) | 92.57 | 0.712 fps |
| 300I Pro | 4 | CoNLL 2003 English (document-level) | 92.56 | 2.884 fps |
| 300I Pro | 8 | CoNLL 2003 English (document-level) | 92.52 | 5.720 fps |
| 300I Pro | 16 | CoNLL 2003 English (document-level) | 92.53 | 11.477 fps |
| 300I Pro | 32 | CoNLL 2003 English (document-level) | 92.54 | 11.407 fps |
| 300I Pro | 64 | CoNLL 2003 English (document-level) | 92.54 | 11.330 fps |