一、简介
1.华为昇腾AI全栈简介
- Atlas系列产品:提供AI训练、推理卡及训练服务器.
- CANN(异构计算架构):芯片算子库和自动化算法开发工具。
- ModelBox:适用于端边云场景的AI推理应用开发框架,提供标准SDK API接口。
- MindSpore(AI框架):支持“端-边-云”独立和协同的统一训练和推理框架。
-
MindX SDK(昇腾SDK):行业SDK和应用解决方案。
- mxIndex:对于大规模特征检索/聚类的应用场景需求,基于开源Faiss框架,提供极简易用、高性能API。
- mxManufacture:提供制造业视觉质检相关API。
- mxVision:提供智能视频分析相关API。
- ModelArts(AI开发平台):华为云AI开发平台。
- MindStudio(全流程开发工具链):AI全流程开发IDE。
2.CANN简介
CANN(Compute Architecture for Neural Networks)是华为公司针对AI场景推出的异构计算架构,通过提供多层次的编程接口,支持用户快速构建基于昇腾平台的AI应用和业务。
- 统一编程接口AscendCL适配全系列硬件。
- 通过自动流水、算子深度融合、智能计算调优、自适应梯度切分等核心技术,软硬件协同优化,释放硬件算力。
1)CANN开发及运行环境
-
开发环境:主要用于代码开发、编译、调测等开发活动。
- (场景一)在非昇腾AI设备上安装开发环境,仅能用于代码开发、编译等不依赖于昇腾设备的开发活动(例如ATC模型转换、算子和推理应用程序的纯代码开发)。
- (场景二)在昇腾AI设备上安装开发环境,支持代码开发和编译,同时可以运行应用程序或进行训练脚本的迁移、开发&调试。
运行环境:在昇腾AI设备上运行用户开发的应用程序或进行训练脚本的迁移、开发&调试。
推理方式
- 离线推理:是基于原有AI框架模型转换OM模型,不依赖于AI框架执行推理的场景。
- 在线推理:是将原有AI框架做推理的应用快速迁移至昇腾AI处理器上,依赖于AI框架执行推理的场景。
2)CANN 开发辅助工具
-
精度对比工具
- 推理场景中,ATC在模型转换过程中对模型进行了优化,包括算子消除、算子融合、算子拆分,可能会造成算子精度问题。
- 训练场景中,华为支持迁移用户原始网络,在昇腾910 AI处理器上训练,网络迁移可能会造成算子精度问题。
Auto Tune调优工具
可以自动对算子进行性能优化,提升算子的运行效率。
-
Profiling工具
- 用于分析在训练阶段或运行在昇腾AI处理器上的APP工程各个运行阶段的关键性能瓶颈。
AI Core Error Analyzer工具
可以自动快速准确地收集定位AI Core Error问题所需的关键信息。
-
脚本转换工具
- 可以将脚本转换为支持在NPU上运行的脚本,解决基于GPU的训练和在线推理脚本不能直接在NPU上运行的问题。
-
算子及模型速查工具
- 查询当前版本CANN支持的模型和算子功能
-
推理Benchmark工具
- 针对指定的推理模型运行推理程序,并能够测试推理模型的性能(包括吞吐率、时延)和精度指标。
-
专家系统(MindStudio Advisor)
- 用于聚焦模型和算子的性能调优TOP问题,识别性能瓶颈Pattern,重点构建瓶颈分析、优化推荐模型,支撑开发效率提升的工具。
-
昇腾模型压缩工具
- 对原始网络模型进行量化(对模型的权重(weight)和数据(activation)进行低比特处理),节省网络模型存储空间、降低传输时延、提高计算效率。
- 无需在安装昇腾AI处理器的服务器上运行
- Caffe昇腾模型压缩工具
- TensorFlow昇腾模型压缩工具
- PyTorch昇腾模型压缩工具
- ONNX昇腾模型压缩工具:源模型转量化模型
- 须在安装昇腾AI处理器的服务器上运行
- MindSpore昇腾模型压缩工具
- ACL昇腾模型压缩工具:将量化模型转换成昇腾AI处理器的离线模型。
- TensorFlow,Ascend昇腾模型压缩工具
昇腾模型压缩工具目前支持在Ubuntu 18.04.5和麒麟 V10操作系统安装。
3.MindSpore
MindSpore具有编程简单、端云协同、调试轻松、性能卓越、开源开放等特点,降低了AI开发门槛。
MindSpore Extend(扩展层):MindSpore的扩展包,社区开发者可参与开发。
MindExpression(表达层):基于Python的前端表达;向用户提供了3个不同层次的API,支撑用户进行网络构建、整图执行、子图执行以及单算子执行。
High-Level Python API:提供了训练推理的管理、混合精度训练、调试调优等高级接口。
Medium-Level Python API:提供网络层、优化器、损失函数等模块,可灵活构建神经网络和控制执行流程,实现模型算法逻辑。
Low-Level Python API:提供张量定义、基础算子、自动微分等模块,可实现张量定义和求导计算。
-
MindCompiler(编译优化层):图层的核心编译器,主要基于端云统一的MindIR实现三大功能:
- 包括硬件无关的优化(类型推导、自动微分、表达式化简等)
- 硬件相关优化(自动并行、内存优化、图算融合、流水线执行等)
- 部署推理相关的优化(量化、剪枝等)
MindRT(全场景运行时):含云侧、端侧以及更小的IoT。
二、快速部署
快速部署(22.0.RC2版本-对应CANN 5.1.RC2 )
- 根据官方提供容器镜像的最高版本来选择。
基于Atlas 500 Pro 智能边缘服务器(3000)的KylinV10SP1或 OpenEuler 20.03进行部署。
1.不同产品形态的部署架构
昇腾AI设备可分为EP和RC两种模式。
1)Ascend EP模式
昇腾 AI 处理器的PCIe工作在从模式,则称为EP模式。
支持EP模式的产品:
昇腾310 AI处理器:Atlas 200 AI加速模块、Atlas 300I 推理卡、Atlas 500 智能小站、Atlas 500 Pro 智能边缘服务器、Atlas 800 推理服务器。
昇腾710 AI处理器:Atlas 300I Pro 推理卡。
昇腾910 AI处理器:Atlas 800 训练服务器、Atlas 300T 训练卡。
2)Ascend RC模式
昇腾 AI 处理器的PCIe工作在主模式,可以扩展外设,则称为RC模式。
支持RC模式的产品有:Atlas 200 AI加速模块、Atlas 200 DK 开发者套件。
2.安装前准备
1)CANN社区版支持的OS清单
产品型号 | 支持的操作系统 |
---|---|
A500 Pro-3000+A300I-3000 | Ubuntu 18.04.1、Ubuntu 16.04.5、EulerOS 2.8、EulerOS2.9、OpenEuler 20.03、CentOS 7.6、CentOS 8.2、Linx 6.0、KylinV10SP1、UOS20 SP1 |
- KylinV10SP1就是Kylin V10Tercel
2)需要准备的软件包
软件类型 | 软件介绍 |
---|---|
npu-firmware | 固件包含昇腾AI处理器自带的OS 、电源器件和功耗管理器件控制软件,分别用于后续加载到AI处理器的模型计算、芯片启动控制和功耗控制。 |
npu-driver | 部署在昇腾服务器,功能类似英伟达驱动,管理查询昇腾AI处理器,同时为上层CANN软件提供芯片控制、资源分配等接口。 |
CANN | 部署在昇腾服务器,功能类似英伟达CUDA,包含Runtime、算子库、图引擎、媒体数据处理等组件,通过AscendCL(Ascend Computing Language,昇腾计算语言)对外提供Device管理、Context管理、Stream管理、内存管理、模型加载与执行、算子加载与执行、媒体数据处理等API,帮助开发者实现在昇腾软硬件平台上开发和运行AI业务。CANN软件按照功能主要分为Toolkit(开发套件)、NNAE(深度学习引擎)、NNRT(离线推理引擎)、TFPlugin(TensorFlow框架插件)几种软件包,各软件包支持功能范围如下:Toolkit:支持训练和推理业务、模型转换、算子/应用/模型开发和编译。NNAE:支持训练和推理业务、模型转换。NNRT:仅支持推理业务。TFPlugin:用于运行训练业务时和TensorFlow框架进行对接,帮助TensorFlow框架调用底层CANN接口运行训练业务。 |
ToolBox | ToolBox包含运维检查工具(Acsend DMI工具)和容器引擎插件(Ascend Docker),运维检查工具能够检测设备状态(如带宽、设备实时状态等);容器引擎插件本质上是基于OCI标准实现的Docker Runtime,不修改Docker引擎,对Docker以插件方式提供Ascend NPU适配功能,使用户AI作业能够以Docker容器的方式平滑运行在昇腾设备上。 |
- npu-firmware:在运行环境中安装,依赖昇腾AI处理器。
- npu-driver:在运行环境中安装,依赖昇腾AI处理器。
- toolkit:在开发环境中安装,不依赖昇腾AI处理器。
- nnrt:离线推理引擎包,用于应用程序的模型推理。仅支持离线推理,依赖昇腾AI处理器。
- nnae:深度学习引擎,支持在线训练、在线推理、离线推理。
- toolbox:在运行环境中安装,依赖昇腾AI处理器。
3)下载软件
-
主板相关固件及驱动【可选】:
选择CANN 5.1.RC2.alpha008版本
- KylinV10SP1 驱动包:A500-Pro-3000-iDriver_V106_KylinV10SP1.zip
- 其他按需安装
-
选择CANN 5.1.RC2.alpha008版本
- Atlas 300I 推理卡(型号:3000)驱动:A300-3000-npu-driver_5.1.rc2_linux-aarch64.run
- Atlas 300I 推理卡(型号:3000)固件:A300-3000-npu-firmware_5.1.rc2.run
-
选择5.1.RC2.alpha008版本
- Toolkit(开发套件包):Ascend-cann-toolkit_5.1.RC2_linux-aarch64.run
- NNAE(深度学习引擎):Ascend-cann-nnae_5.1.RC2_linux-aarch64.run
- NNRT(推理引擎):Ascend-cann-nnrt_5.1.RC2_linux-aarch64.run
- AMCT(模型压缩工具):Ascend-cann-amct_5.1.RC2_linux-aarch64.tar.gz
- Device-SDK(包含昇腾310/310P驱动包、acl、ctrlcpu库):Ascend-cann-device-sdk_5.1.RC2_linux-aarch64.zip
-
- Toolbox(包含容器引擎插件Ascend-docker runtime、Ascend-DMI工具等):Ascend-mindx-toolbox_3.0.RC3_linux-aarch64.run
3.安装固件、驱动及软件包
首次安装按照“驱动 > 固件”的顺序;覆盖安装或升级按照“固件 > 驱动”顺序。
1)确认基础信息
$ tree Ascned_22.0.RC2/
.
├── Atlas300I_3000_Firmware_Driver
│ ├── A300-3000-npu-driver_5.1.rc2_linux-aarch64.run
│ └── A300-3000-npu-firmware_5.1.rc2.run
├── CANN5.1.RC2
│ ├── Ascend-cann-amct_5.1.RC2_linux-aarch64.tar.gz
│ ├── Ascend-cann-device-sdk_5.1.RC2_linux-aarch64.zip
│ ├── Ascend-cann-nnae_5.1.RC2_linux-aarch64.deb
│ ├── Ascend-cann-nnae_5.1.RC2_linux-aarch64.run
│ ├── Ascend-cann-nnrt_5.1.RC2_linux-aarch64.deb
│ ├── Ascend-cann-nnrt_5.1.RC2_linux-aarch64.run
│ ├── Ascend-cann-toolkit_5.1.RC2_linux-aarch64.deb
│ └── Ascend-cann-toolkit_5.1.RC2_linux-aarch64.run
└── ToolBox
└── Ascend-mindx-toolbox_3.0.RC3_linux-aarch64.run
# 检测Atlas 300I 推理卡(型号:3000)是否正常在位
$ lspci | grep d100
06:00.0 Processing accelerators: Huawei Technologies Co., Ltd. Device d100 (rev 20)
07:00.0 Processing accelerators: Huawei Technologies Co., Ltd. Device d100 (rev 20)
08:00.0 Processing accelerators: Huawei Technologies Co., Ltd. Device d100 (rev 20)
09:00.0 Processing accelerators: Huawei Technologies Co., Ltd. Device d100 (rev 20)
# 确认操作系统和内核版本
$ uname -m && cat /etc/*release
aarch64
Kylin Linux Advanced Server release V10 (Tercel)
DISTRIB_ID=Kylin
DISTRIB_RELEASE=V10
DISTRIB_CODENAME=juniper
DISTRIB_DESCRIPTION="Kylin V10"
DISTRIB_KYLIN_RELEASE=V10
DISTRIB_VERSION_TYPE=enterprise
DISTRIB_VERSION_MODE=normal
NAME="Kylin Linux Advanced Server"
VERSION="V10 (Tercel)"
ID="kylin"
VERSION_ID="V10"
PRETTY_NAME="Kylin Linux Advanced Server V10 (Tercel)"
ANSI_COLOR="0;31"
$ uname -r
4.19.90-23.8.v2101.ky10.aarch64
2)创建运行用户HwHiAiUser
# 安装驱动前需要创建驱动运行用户(运行驱动进程的用户)
groupadd HwHiAiUser
useradd -g HwHiAiUser -d /home/HwHiAiUser -m HwHiAiUser -s /bin/bash
# 设置HwHiAiUser用户密码
passwd HwHiAiUser
3)安装驱动及固件
$ cd Atlas300I_3000_Firmware_Driver
$ chmod +x *.run
# 安装驱动
$ ./A300-3000-npu-driver_5.1.rc2_linux-aarch64.run --full --install-for-all
# 查看驱动加载是否成功
$ npu-smi info
+------------------------------------------------------------------------------------------------+
| npu-smi 22.0.2 Version: 22.0.2 |
+-----------------------+-----------------+------------------------------------------------------+
| NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) |
| Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) |
+=======================+=================+======================================================+
| 2 310 | OK | 12.8 49 0 / 970 |
| 0 0 | 0000:06:00.0 | 0 633 / 7764 |
+-----------------------+-----------------+------------------------------------------------------+
| 2 310 | OK | 12.8 49 0 / 970 |
| 1 1 | 0000:07:00.0 | 0 634 / 7764 |
+-----------------------+-----------------+------------------------------------------------------+
| 2 310 | OK | 12.8 52 0 / 970 |
| 2 2 | 0000:08:00.0 | 0 634 / 7764 |
+-----------------------+-----------------+------------------------------------------------------+
| 2 310 | OK | 12.8 48 0 / 970 |
| 3 3 | 0000:09:00.0 | 0 634 / 7764 |
+=======================+=================+======================================================+
$ /usr/local/Ascend/driver/tools/upgrade-tool --device_index -1 --component -1 --version
{
Get component version(1.82.22.2.220) succeed for deviceId(0), componentType(0).
{"device_id":0, "component":nve, "version":1.82.22.2.220}
...
}
$ ./A300-3000-npu-firmware_5.1.rc2.run --full
# 查看芯片信息
$ ascend-dmi -i -dt
================================Product Details===============================
ascend-dmi : 3.0.RC3
Card Quantity : 1
Type : Atlas 300I-3000
Card Manufacturer : Huawei
Card Serial Number : 033EFS10M8001498
...
$ reboot
4.安装软件包
基于Kylin V10 SP1
1)物理机部署
# 1.检查root用户的umask值是否为0022
umask
# 否则 umask 0022
# 2.安装依赖
yum install -y gcc gcc-c++ make cmake unzip zlib-devel libffi-devel openssl-devel pciutils net-tools sqlite-devel lapack-devel openblas-devel gcc-gfortran
# 检测是否已安装python 3.7.x
python3 --version
yum install -y python3-pip
pip3 install attrs cython numpy decorator sympy cffi pyyaml pathlib2 psutil protobuf scipy requests absl-py
# 安装Toolkit
cd CRNN_Package
chmod +x *.run
./Ascend-cann-toolkit_6.0.0.alpha002_linux-aarch64.run --install
# 配置环境变量
vi ~/.bashrc
# 在文件最后一行后面添加
source /usr/local/Ascend/ascend-toolkit/set_env.sh
source ~/.bashrc
2)容器部署【推荐】
# 安装Docker
$ yum install docker
$ docker --version
Docker version 18.09.0, build 62eb848
# 安装toolbox
$ cd ToolBox
$ chmod +x *.run
$ ./Ascend-mindx-toolbox_3.0.RC3_linux-aarch64.run --install
# 配置环境变量
$ vi ~/.bashrc
# 在文件最后一行后面添加
source /usr/local/Ascend/toolbox/set_env.sh
$ source ~/.bashrc
从AscendHub拉取容器镜像
- infer-modelzoo【推理】
- ModelZoo 推理基础镜像,包含模型转换、模型推理功能,镜像中安装了toolkit和sdk及其依赖的软件,其中sdk默认安装的为mxmanufacture,另一个版本安装的是mxvision。
- ascend-infer【推理】
- Ascend-infer基础镜像,基于centos7.6,ubuntu18.04制作,内部集成推理通用的第三方库(系统包、pip)和NNRT推理引擎。
- pytorch-modelzoo【训练+推理】
- ModelZoo PyTorch框架基础镜像,基于PyTorch 1.5.0或 1.8.1版本制作的基础镜像,镜像中安装了nnae,包含训练、转换和推理功能。
docker login -u xxx -p xxx ascendhub.huawei.com
# infer-modelzoo
docker pull ascendhub.huawei.com/public-ascendhub/infer-modelzoo:22.0.RC2
# ascend-infer
docker pull ascendhub.huawei.com/public-ascendhub/ascend-infer:22.0.RC2-centos7.6
# pytorch-modelzoo
docker pull ascendhub.huawei.com/public-ascendhub/pytorch-modelzoo:22.0.RC2 # pytorch1.5.0+ascend.post6
docker pull ascendhub.huawei.com/public-ascendhub/pytorch-modelzoo:22.0.RC2-1.8.1 # pytorch1.8.1
启动离线推理容器
#/bin/bash
export MY_CONTAINER="infer-modelzoo"
num=`sudo docker ps -a|grep -w "$MY_CONTAINER"|wc -l`
echo $num
echo $MY_CONTAINER
if [ 0 -eq $num ];then
docker run -it -u root \
--device=/dev/davinci0 \ # 默认挂载加速卡0到容器中
--device=/dev/davinci_manager \
--device=/dev/devmm_svm \
--device=/dev/hisi_hdc \
-itd \
--name $MY_CONTAINER \
-v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
-v $PWD:/home/share \
ascendhub.huawei.com/public-ascendhub/infer-modelzoo:22.0.RC2 \
/bin/bash
else
#docker start $MY_CONTAINER
docker exec -ti $MY_CONTAINER /bin/bash
fi
启动训练+在线推理容器
#/bin/bash
export MY_CONTAINER="pytorch-modelzoo"
num=`sudo docker ps -a|grep -w "$MY_CONTAINER"|wc -l`
echo $num
echo $MY_CONTAINER
if [ 0 -eq $num ];then
docker run -it -u root \
--device=/dev/davinci0 \ # 默认挂载加速卡0到容器中
--device=/dev/davinci_manager \
--device=/dev/devmm_svm \
--device=/dev/hisi_hdc \
-itd \
--name $MY_CONTAINER \
-v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
-v /usr/local/Ascend/add-ons/:/usr/local/Ascend/add-ons/ \
-v /var/log/npu/conf/slog/slog.conf:/var/log/npu/conf/slog/slog.conf \
-v /var/log/npu/slog/:/var/log/npu/slog \
-v /var/log/npu/profiling/:/var/log/npu/profiling \
-v /var/log/npu/dump/:/var/log/npu/dump \
-v /var/log/npu/:/usr/slog \
-v $PWD:/home/share \
ascendhub.huawei.com/public-ascendhub/pytorch-modelzoo:22.0.RC2-1.8.1 \
/bin/bash
else
#docker start $MY_CONTAINER
docker exec -ti $MY_CONTAINER /bin/bash
fi
-
该容器还需要更新torchvision版本
#PyTorch 1.8.1需安装0.9.1版本,PyTorch 1.11.0需安装0.12.0版本,PyTorch 1.5.0需安装0.6.0版本 pip3 install torchvision==0.9.1
-
想要在pytorch-modelzoo容器中进行离线模型推理,还需要安装cann-toolkit。
dpkg -i Ascend-cann-toolkit_5.1.RC2_linux-aarch64.deb source /usr/local/Ascend/ascend-toolkit/set_env.sh
注意:只能同时运行一个容器,后启动的容器无法使用设备资源。
5.模型推理测试
infer-modelzoo容器环境中测试
1)Ascend CANN Samples
CANN样例仓库以CANN AscendCL接口进行开发,制作的一系列给开发者进行参考学习的样例。
git clone https://gitee.com/ascend/samples.git
# 测试图像分类样例
cd samples/python/level2_simple_inference/1_classification/resnet50_imagenet_classification
# 准备源模型
mkdir model && cd model
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/resnet50/resnet50.caffemodel
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/resnet50/resnet50.prototxt
# 准备测试图片
cd ../data
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog2_1024_683.jpg
# 源模型转om模型
cd ../
atc --model=model/resnet50.prototxt --weight=model/resnet50.caffemodel --framework=0 --output=model/resnet50 --soc_version=Ascend310 --input_format=NCHW --input_fp16_nodes=data --output_type=FP32 --out_nodes=prob:0
# 模型推理
$ python3 src/acl_net.py
Using device id:0
model path:/home/share/samples/python/level2_simple_inference/1_classification/resnet50_imagenet_classification/src/../model/resnet50.om
images path:/home/share/samples/python/level2_simple_inference/1_classification/resnet50_imagenet_classification/src/../data
init resource stage:
model_id:1
init resource success
images:/home/share/samples/python/level2_simple_inference/1_classification/resnet50_imagenet_classification/src/../data/dog2_1024_683.jpg
data interaction from host to device
data interaction from host to device success
execute stage:
execute stage success
data interaction from device to host
data interaction from device to host success
======== top5 inference results: =============
[267]: 0.935547
[266]: 0.041107
[265]: 0.018967
[219]: 0.002865
[160]: 0.000311
images:/home/share/samples/python/level2_simple_inference/1_classification/resnet50_imagenet_classification/src/../data/dog1_1024_683.jpg
data interaction from host to device
data interaction from host to device success
execute stage:
execute stage success
data interaction from device to host
data interaction from device to host success
======== top5 inference results: =============
[161]: 0.763672
[162]: 0.157593
[167]: 0.039215
[163]: 0.021835
[166]: 0.011871
*****run finish******
Releasing resources stage:
Resources released successfully.
2)MindX SDK
包含如下sample:
- mxManufacture:制造业视觉质检
- mxVision:智能视频/图像分析,主要功能如下:
- 快速构建推理业务:通过修改流程编排配置文件,可快速构建推理业务,通过API调用,向构建完成的推理业务发送请求,得到推理结果Json字符串或者原始数据结构。
- 自定义功能插件:通过SDK提供的插件开发工具和业务逻辑开发基础库,用户可自行开发新插件。
- mxIndex:特征类聚与检索
基于 infer-modelzoo容器测试mxManufacture:
# infer-modelzoo容器中
cd /home/hwMindX/sdk_home/mxManufacture && ls
bin config filelist.txt include lib opensource operators python samples set_env.sh toolkit version.info
# 使MindX SDK mxManufacture环境变量生效
bash set_env.sh
使用mxManufacture开发一个简单的图片分类的Demo
- 参考快速入门
6.Ascend实用工具
1)Ascend Tools
-
msame【模型推理工具】
输入.om模型和模型所需要的输入bin文件,输出模型的输出数据文件。
-
img2bin【bin文件生成工具】
生成模型推理所需的输入数据,以.bin格式保存。
-
makesd【制卡工具】
制卡工具包,提供ubuntu下制卡功能。
-
configure_usb_ethernet【USB虚拟网卡连接脚本】
配置USB网卡对应的IP地址。
-
pt2pb【pytorch模型转tensorflow pb模型工具】
输入pytorch权重参数模型,转为onnx,再转为pb模型
-
dnmetis【NPU推理精度和性能测试工具】
使用Python封装ACL的C++接口,输入om模型和原始数据集图片、标签,即可执行模型推理,输出精度数据和性能数据。
-
msquickcmp【一键式全流程精度比对工具】
该工具适用于tensorflow和onnx模型,输入原始模型和对应的离线om模型,输出精度比对结果。
-
precision_tool【精度问题分析工具】
该工具包提供了精度比对常用的功能,当前该工具主要适配Tensorflow训练场景,同时提供Dump数据/图信息的交互式查询和操作入口。
-
cann-benchmark_infer_scripts【cann-benchmark推理软件对应的模型前后处理脚本】
该工具包含cann-benchmark推理工具模型处理脚本, 包括:结果解析脚本和前后处理脚本等。这些脚本需根据cann-benchmark指导手册说明使用。
-
tfdbg_ascend【Tensorflow2.x dump工具】
该工具提供CPU/GPU平台上Tensorflow2.x运行时数据Dump能力。
-
ais-bench_workload【ais-bench_workload】
该目录包含基于Ais-Bench软件的训练和推理负载程序,用于测试验证。Ais-Bench是基于AI标准针对AI服务器进行性能测试的工具软件。
-
intelligent_edge_tools【intelligent_edge_tools】
该目录包含智能边缘工具集。
-
auto-optimizer【auto-optimizer】
提供基于ONNX的改图、自动优化及端到端推理流程。
-
saved_model2om【TensorFlow1.15 saved_model模型转om模型工具】
输入TensorFlow存储的saved_model模型,转换为pb模型,再转换为om模型
2) Ascend CANN Parser
Ascend CANN Parser(简称parser)配合TF_Adapter、 ATC工具、IR构图等使用,开发者通过以上工具,借助parser能方便地将第三方框架的算法表示转换成Ascend IR。
3)Ascend ModelZoo
模型库包含pytorch与tensorflow的一系列模型及脚本。
也可以通过官网搜索模型。
三、Ascend PyTorch 在线推理
在线推理是在AI框架内执行推理的场景,相比于离线推理场景,使用在线推理可以方便将原来基于PyTorch框架做推理的应用快速迁移到昇腾AI处理器,适用于数据中心推理场景。
1.环境准备
-
支持在线推理的芯片型号
- Ascend310
- Ascend310P*
- Ascend910*
Ascend Pytorch版本对应关系
-
安装依赖
# CentOS yum install -y patch libjpeg-turbo-devel dos2unix git yum install -y gcc==7.3.0 cmake==3.12.0 # Ubuntu apt-get update apt-get install -y patch build-essential libbz2-dev libreadline-dev wget curl llvm libncurses5-dev libncursesw5-dev xz-utils tk-dev liblzma-dev m4 dos2unix git apt-get install -y gcc==7.3.0 cmake==3.12.0 #3.12.0版本及以上 # 安装PyTorch环境依赖 pip3 install pyyaml pip3 install wheel
2.运行Ascend Pytorch在线推理样例
1)环境准备
基于pytorch-modelzoo容器运行
- 镜像:ascendhub.huawei.com/public-ascendhub/pytorch-modelzoo:22.0.RC2-1.8.1
# 初始化nnae环境变量
source /usr/local/Ascend/nnae/set_env.sh
# 可选配置
# 指定芯片的逻辑ID
export ASCEND_DEVICE_ID=0
# 输出日志信息,可根据实际修改
export ASCEND_SLOG_PRINT_TO_STDOUT=1
# Task多线程下发
export ASCEND_GLOBAL_LOG_LEVEL=0
2)样例准备
以ResNet50模型为例,执行在线推理样例。
-
下载预训练模型。
打开ModelZoo中ResNet50详情页,单击该页面的“下载模型“下载已训练好的模型文件。
-
编辑推理脚本。
创建“resnet50_infer_for_pytorch.py“模型脚本文件,并参考样例代码写入相关代码。
-
执行推理
$ tree nnae_sample/ -L 2 nnae_sample/ ├── data │ └── val │ ├── val │ ├── dog1_1024_683.jpg │ ├── dog2_1024_683.jpg ├── ResNet50_for_Pytorch_1.4_model │ ├── resnet50_pytorch_1.4.om │ ├── resnet50_pytorch_1.4.onnx │ └── resnet50_pytorch_1.4.pth.tar └── resnet50_infer_for_pytorch.py $ python3 resnet50_infer_for_pytorch.py \ --data ./data \ --npu 0 \ --epochs 90 \ --resume ResNet50_for_Pytorch_1.4_model/resnet50_pytorch_1.4.pth.tar use npu:0 => creating model 'resnet50' Selected optimization level O2: FP16 training with FP32 batchnorm and FP32 master weights. Defaults for this optimization level are: enabled : True opt_level : O2 cast_model_type : torch.float16 patch_torch_functions : False keep_batchnorm_fp32 : True master_weights : True loss_scale : dynamic combine_grad : None combine_ddp : None ddp_replica_count : 4 check_combined_tensors : None user_cast_preferred : None Processing user overrides (additional kwargs that are not None)... After processing overrides, optimization options are: enabled : True opt_level : O2 cast_model_type : torch.float16 patch_torch_functions : False keep_batchnorm_fp32 : True master_weights : True loss_scale : 1024.0 combine_grad : None combine_ddp : None ddp_replica_count : 4 check_combined_tensors : None user_cast_preferred : None => loading checkpoint 'ResNet50_for_Pytorch_1.4_model/resnet50_pytorch_1.4.pth.tar' => loaded checkpoint 'ResNet50_for_Pytorch_1.4_model/resnet50_pytorch_1.4.pth.tar' (epoch 90) Test: [0/1] Time 3.165 ( 0.000) Acc@1 0.00 ( 0.00) Acc@5 0.00 ( 0.00) * Acc@1 0.000 Acc@5 0.000 THPModule_npu_shutdown success.
四、PyTorch模型迁移与转换
1.模型迁移
1)模型算子评估
-
将原始模型及训练脚本迁移到昇腾AI处理器上之前,可以将原始模型及训练脚本在CPU上进行训练,使用PyTorch profiler功能获取当前模型算子列表并在《AI框架算子支持清单》中查找该算子查看是否支持
- 支持PyTorch1.5.0、PyTorch1.8.1、PyTorch1.11.0版本算子
当有不支持算子时,可修改模型脚本用等价支持的算子替换不支持算子或者参考《自定义算子开发指南》中“算子开发过程>算子适配>适配插件开发(PyTorch框架)”进行算子适配。
2)迁移方式
将基于PyTorch的训练脚本迁移到昇腾AI处理器上进行训练,目前有以下3种方式:
-
自动迁移【推荐】:训练时,在训练脚本中导入脚本转换库,导入后执行训练。训练脚本在运行的同时,会自动将脚本中的CUDA接口替换为昇腾AI处理器支持的NPU接口。整体过程为:边训练边转换。
- 仅PyTorch 1.8.1版本及以上使用,自动迁移方式较简单,且修改内容最少,只需在训练脚本中添加引入库代码。
import torch import torch_npu ..... from torch_npu.contrib import transfer_to_npu
工具迁移:训练前,通过脚本迁移工具,自动将训练脚本中的CUDA接口替换为昇腾AI处理器支持的NPU接口,并生成迁移报告(脚本转换日志、不支持算子的列表、脚本修改记录)。训练时,运行转换后的脚本。整体过程为:先转换脚本,再进行训练。
手工迁移:算法工程师通过对模型的分析、GPU与NPU代码的对比进而对训练脚本进行修改,以支持再昇腾AI处理器上执行训练。
2.AMCT模型压缩【可选】
昇腾模型压缩工具(Ascend Model Compression Toolkit,简称AMCT)是通过模型压缩技术(如融合,量化,张量分解等)将模型进行压缩的工具包,压缩后模型体积变小,部署到昇腾 AI 处理器件上后可使能低比特运算,提高计算效率。
3.导出ONNX模型
模型训练完成后,保存的.pth或.pt文件可以通过PyTorch构建模型再加载权重的方法恢复,然后导出ONNX模型。
import torch
import torch_npu
import torch.onnx
import torchvision.models as models
# 设置使用CPU导出模型
device = torch.device("cpu")
def convert():
# 模型定义来自于torchvision,样例生成的模型文件是基于resnet50模型
model = models.resnet50(pretrained = False)
resnet50_model = torch.load('resnet50.pth', map_location='cpu')
model.load_state_dict(resnet50_model)
batch_size = 1 #批处理大小
input_shape = (3, 224, 224) #输入数据,改成自己的输入shape
# 模型设置为推理模式
model.eval()
dummy_input = torch.randn(batch_size, *input_shape) # 定义输入shape
torch.onnx.export(model,
dummy_input,
"resnet50_official.onnx",
input_names = ["input"], # 构造输入名
output_names = ["output"], # 构造输出名
opset_version=11, # ATC工具目前支持opset_version=9,10,11,12,13
dynamic_axes={"input":{0:"batch_size"}, "output":{0:"batch_size"}}) #支持输出动态轴
)
if __name__ == "__main__":
convert()
4.离线模型转换
昇腾张量编译器(Ascend Tensor Compiler,简称ATC)是异构计算架构CANN体系下的模型转换工具, 它可以将开源框架的网络模型或Ascend IR定义的单算子描述文件(json格式)转换为昇腾AI处理器支持的.om格式离线模型。
- 开源框架网络模型经过Parser解析后,转换为中间态IR Graph(CANN模型格式)。
- 中间态IR经过图准备,图拆分,图优化,图编译等一系列操作后,转成适配昇腾AI处理器的离线模型。
- 转换后的离线模型上传到板端环境,通过AscendCL接口加载模型文件实现推理过程。
- 可以将开源框架网络模型转换后的离线模型转成json文件,或者直接将开源框架网络模型通过ATC工具转成json文件,方便文件查看。
1)不同网络模型的转换示例
-
Caffe网络模型
atc --model=$HOME/module/resnet50.prototxt --weight=$HOME/module/resnet50.caffemodel --framework=0 --output=$HOME/module/out/caffe_resnet50 --soc_version=Ascend310
-
TensorFlow网络模型
atc --model=$HOME/module/resnet50_tensorflow*.pb --framework=3 --output=$HOME/module/out/tf_resnet50 --soc_version=Ascend310
-
ONNX网络模型
atc --model=$HOME/module/resnet50.onnx --framework=5 --output=$HOME/module/out/onnx_resnet50 --soc_version=Ascend310 # yolov5 源模型转离线模型示例 # yolov5 源模型 转 onnx模型 python export.py --weights yolov5l.pt --include onnx --imgsz 640 --batch-size 1 --opset 11 --simplify # onnx模型转om模型 atc --model=yolov5l.onnx \ --framework=5 \ --output=yolov5l_b1 \ --input_format=NCHW \ --input_shape="images:1,3,640,640" \ --input_fp16_nodes="images" \ --soc_version=Ascend310 \ --output_type=FP16 \ --log=error
-
MindSpore网络模型
atc --model=$HOME/module/ResNet50.air --framework=1 --output=$HOME/module/out/ResNet50_mindspore --soc_version=Ascend310
2)基础功能参数配置
-
模型文件转json文件
json文件可以查看基础版本号
# 原始模型文件转json文件 atc --mode=1 --om=$HOME/module/resnet50_tensorflow*.pb --json=$HOME/module/out/tf_resnet50.json --framework=3 # 离线模型转json文件 atc --mode=1 --om=$HOME/module/out/tf_resnet50.om --json=$HOME/module/out/tf_resnet50.json
-
离线模型支持动态BatchSize/动态分辨率
# 动态BatchSize atc --model=$HOME/module/resnet50_tensorflow*.pb --framework=3 --output=$HOME/module/out/tf_resnet50 --soc_version=<soc_version> --input_shape="Placeholder:-1,224,224,3" --dynamic_batch_size="1,2,4,8" # 动态分辨率 atc --model=$HOME/module/resnet50_tensorflow*.pb --framework=3 --output=$HOME/module/out/tf_resnet50 --soc_version=<soc_version> --input_shape="Placeholder:1,-1,-1,3" --dynamic_image_size="224,224;448,448"
-
离线模型支持动态维度
atc --model=$HOME/module/resnet50_tensorflow*.pb --framework=3 --output=$HOME/module/out/tf_resnet50 --soc_version=<soc_version> --input_shape="Placeholder:-1,-1,-1,3" --dynamic_dims="1,224,224;8,448,448" --input_format=ND
-
自定义离线模型的输入输出数据类型
atc --model=$HOME/module/resnet50_tensorflow_1.7.pb --framework=3 --output=$HOME/module/out/tf_resnet50 --soc_version=<soc_version> --input_fp16_nodes="Placeholder" --out_nodes="fp32_vars/MaxPoolWithArgmax:0" --output_type="fp32_vars/MaxPoolWithArgmax:0:FP16"
3)AIPP功能配置
# 通过--insert_op_conf参数,插入aipp预处理算子
atc --model=$HOME/module/resnet50.prototxt --weight=$HOME/module/resnet50.caffemodel --framework=0 --insert_op_conf=$HOME/module/insert_op.cfg --output=$HOME/module/out/caffe_resnet50 --soc_version=<soc_version>
insert_op.cfg:aipp配置文件使用说明
aipp_op {
aipp_mode : static #AIPP配置模式
related_input_rank : 0 # 标识对第1个输入进行AIPP处理【可选】
related_input_name : "data" # 标识对输入名称为data的节点进行AIPP处理【可选】
input_format : YUV420SP_U8 #输入给AIPP的原始图片格式
src_image_size_w : 250 #输入给AIPP的原始图片宽高
src_image_size_h : 250
crop: true #抠图开关,用于改变图片尺寸
load_start_pos_h: 0 #抠图起始位置水平、垂直方向坐标
load_start_pos_w: 0
csc_switch : true #色域转换开关【可选】
rbuv_swap_switch : false # RGB与BGR互转
matrix_r0c0 : 256 #matrix:色域转换系数,用户无需修改
matrix_r0c1 : 0
matrix_r0c2 : 359
matrix_r1c0 : 256
matrix_r1c1 : -88
matrix_r1c2 : -183
matrix_r2c0 : 256
matrix_r2c1 : 454
matrix_r2c2 : 0
input_bias_0 : 0
input_bias_1 : 128
input_bias_2 : 128
mean_chn_0 : 0 # 每个通道的均值【可选】
mean_chn_1 : 0
mean_chn_2 : 0
var_reci_chn_0 : 0.0039216 # 每个通道方差的倒数【可选】,如:1/255
var_reci_chn_1 : 0.0039216
var_reci_chn_2 : 0.0039216
}
aipp_op {
...
}
-
# YUV420SP_U8转RGB,输入数据为JPEG图像 aipp_op { aipp_mode: static input_format : YUV420SP_U8 csc_switch : true rbuv_swap_switch : false matrix_r0c0 : 256 matrix_r0c1 : 0 matrix_r0c2 : 359 matrix_r1c0 : 256 matrix_r1c1 : -88 matrix_r1c2 : -183 matrix_r2c0 : 256 matrix_r2c1 : 454 matrix_r2c2 : 0 input_bias_0 : 0 input_bias_1 : 128 input_bias_2 : 128 } # YUV420SP_U8转BGR,输入数据为JPEG图像 aipp_op { aipp_mode: static input_format : YUV420SP_U8 csc_switch : true rbuv_swap_switch : false matrix_r0c0 : 256 matrix_r0c1 : 454 matrix_r0c2 : 0 matrix_r1c0 : 256 matrix_r1c1 : -88 matrix_r1c2 : -183 matrix_r2c0 : 256 matrix_r2c1 : 0 matrix_r2c2 : 359 input_bias_0 : 0 input_bias_1 : 128 input_bias_2 : 128 } # YUV420SP_U8转BGR,输入数据为JPEG图像 aipp_op { aipp_mode: static input_format : YUV420SP_U8 csc_switch : true rbuv_swap_switch : true matrix_r0c0 : 256 matrix_r0c1 : 0 matrix_r0c2 : 359 matrix_r1c0 : 256 matrix_r1c1 : -88 matrix_r1c2 : -183 matrix_r2c0 : 256 matrix_r2c1 : 454 matrix_r2c2 : 0 input_bias_0 : 0 input_bias_1 : 128 input_bias_2 : 128 } # RGB888_U8转RGB aipp_op { aipp_mode: static input_format : RGB888_U8 csc_switch : false rbuv_swap_switch : false } # RGB888_U8转BGR aipp_op { aipp_mode : static input_format : RGB888_U8 csc_switch : false rbuv_swap_switch : true }
-
归一化配置
mean_chn_i # 每个通道的均值 min_chn_i # 每个通道的最小值 var_reci_chn # 每个通道方差的倒数 pixel_out_chx(i)=[pixel_in_chx(i)-mean_chn_i-min_chn_i]*var_reci_chn
-
Crop/Padding配置
aipp_op { aipp_mode: static input_format: YUV420SP_U8 src_image_size_w: 320 src_image_size_h: 240 crop: true load_start_pos_w: 10 # 左上点坐标 load_start_pos_h: 20 crop_size_w: 50 # 裁剪后的图像大小 crop_size_h: 60 padding: true left_padding_size: 20 # 在裁剪后的图像四周padding的尺寸 right_padding_size: 15 top_padding_size: 20 bottom_padding_size: 15 padding_value: 0 # padding像素值 }
-
输入图像大小校验
# YUV400_U8 N * src_image_size_w * src_image_size_h * 1 # YUV420SP_U8 N * src_image_size_w * src_image_size_h * 1.5 # XRGB8888_U8 N * src_image_size_w * src_image_size_h * 4 # RGB888_U8 N * src_image_size_w * src_image_size_h * 3
-
AIPP输入数据格式说明
- 数据储存格式
- AIPP输入默认为NHWC排布,如果不是,将强制转换为NHWC。
- 经过AIPP处理后的图片,统一采用NC1HWC0的五维数据格式进行存储。
- 图像输入格式
- AIPP支持的图像输入格式:YUV420SP_U8(NV12)、RGB888_U8、XRGB8888_U8、YUV400_U8。(输入数据类型为UINT8)
- 数据储存格式
4)ATC工具关键参数说明
ATC工具安装在Ascend-cann-toolkit安装目录/ascend-toolkit/latest/bin下。
$ atc -h
===== Basic Functionality =====
[General] # 基础功能
--mode Run mode.
0(default): generate offline model;
1: convert model to JSON format;
3: only pre-check;
5: convert ge dump txt file to JSON format;
6: display model info
[Input]
--model 原始网络模型文件路径
--weight 原始网络模型权重文件路径与文件名,仅当原始网络模型是Caffe时需要指定。
--om 需要转换为json格式的离线模型或原始模型
--framework Framework type.
0:Caffe;
1:MindSpore;
3:Tensorflow;
5:Onnx
--input_format 输入数据存储格式。
当原始框架为Caffe时,支持NCHW(默认)、ND(动态维度)
当原始框架为ONNX时,支持NCHW(默认)、NCDHW、ND
当原始框架是TensorFlow时,支持NCHW、NHWC(默认)、ND(模型转换时根据data_format属性的算子,推导出具体的format)、NCDHW、NDHWC
--input_shape 指定模型输入数据的shape
E.g.: "input_name1:n1,c1,h1,w1;input_name2:n2,c2,h2,w2"
--input_shape_range 指定模型输入数据的shape范围,暂不支持
E.g.: "input_name1:[n1~n2,c1,h1,w1];input_name2:[n2,c2~c3,h2,w2]"
--dynamic_batch_size 设置动态BatchSize参数,适用于执行推理时,每次处理图片数量不固定的场景。
E.g.: "1,2,4,8"
--dynamic_image_size 设置输入图片的动态分辨率参数。适用于执行推理时,每次处理图片宽和高不固定的场景。需要与--input_shape配合使用,
E.g.: --input_shape="data:8,3,-1,-1;img_info:8,4,-1,-1" --dynamic_image_size="416,416;832,832"
--dynamic_dims 设置ND格式下动态维度的档位。适用于执行推理时,每次处理任意维度的场景。N<=4。
E.g.: "dims1_n1,dims1_n2;dims2_n1,dims2_n2"
--singleop 单算子定义文件,将单个算子Json文件转换成适配昇腾AI处理器的离线模型。以便进行后续的单算子功能验证。
[Output]
--output Output file path
--output_type 指定某个输出节点的输出类型,需要与--out_nodes参数配合使用。
FP32:推荐分类网络、检测网络使用。
UINT8:推荐图像超分辨率网络使用。
FP16:推荐分类网络、检测网络使用。通常用于一个网络输出作为另一个网络输入场景。
E.g.: --output_type="conv1:0:FP16" --out_nodes="conv1:0".
--check_report 预检结果保存文件路径
--json 离线模型或原始模型文件转换的json格式文件
[Target]
--soc_version The soc version.
Ascend310
Ascend910
--virtual_type 是否支持离线模型在算力分组生成的虚拟设备上运行。
0 (default) : Disable virtualization; 1 : Enable virtualization.
--core_type 设置网络模型使用的Core类型
VectorCore: use vector core.
AiCore: Default
--aicore_num 设置模型编译时使用的aicore数量
===== Advanced Functionality =====
[Feature] # 功能配置选项
--out_nodes 指定某层输出节点(算子)作为网络模型的输出,如果不指定,则模型的输出默认为最后一层的算子信息。适合算子调试。
E.g.: "node_name1:0;node_name1:1;node_name2:0"
--input_fp16_nodes 指定输入数据类型为FP16的输入节点名称。 配置了该参数,则不能对同一个输入节点同时使用--insert_op_conf参数。
E.g.: "node_name1;node_name2"
--insert_op_conf 插入新算子的配置文件,例如aipp预处理算子。使用该参数后,则输入数据类型为UINT8。
--op_name_map 扩展算子(非标准算子)映射配置文件
--is_input_adjust_hw_layout 与--input_fp16_nodes配合使用。若该参数设置为true,对应--input_fp16_nodes节点的输入数据类型为float16,输入数据格式为NC1HWC0。
--is_output_adjust_hw_layout 与--out_nodes配合使用。若该参数设置为true,对应--out_nodes中输出节点的输出数据类型为float16,数据格式为NC1HWC0。
[Model Tuning] # 模型调优选项
--disable_reuse_memory 内存复用开关
--fusion_switch_file 融合规则(包括图融合和UB融合)开关配置文件
--enable_scope_fusion_passes 指定编译时需要生效的融合规则列表
--enable_single_stream 是否使能一个模型推理时只能使用一条Stream。
true: enable;
false(default): disable
--enable_small_channel 是否使能small channel的优化,使能后在channel<=4的卷积层会有性能收益。建议与--insert_op_conf参数(AIPP功能)配合使用
0(default): disable;
1: enable
--enable_compress_weight Enable compress weight. true: enable; false(default): disable
--compress_weight_conf 压缩权重的配置文件
--compression_optimize_conf 压缩优化功能配置文件,暂不支持。
--sparsity Optional; enable structured sparse. 0(default): disable; 1: enable
--buffer_optimize 数据缓存优化开关
"l2_optimize" (default),
"l1_optimize",
"off_optimize"
--mdl_bank_path 加载子图调优后自定义知识库的路径
[Operator Tuning] # 算子调优选项
--op_precision_mode 设置具体某个算子的精度模式,通过 (.ini)配置文件设置。
--precision_mode 设置网络模型的精度模式。支持如下:
force_fp16(default),
force_fp32, allow_mix_precision,
allow_fp32_to_fp16, must_keep_origin_dtype.
--modify_mixlist 混合精度场景下,修改算子使用混合精度名单。
--keep_dtype 保持原始模型编译时个别算子的计算精度不变。
--customize_dtypes 模型编译时自定义算子的计算精度。
--auto_tune_mode 设置算子的自动调优模式。
E.g.: "GA,RL", support configure multiple, spit by ,
--op_bank_path 加载Auto Tune调优后自定义知识库的路径。
--op_select_implmode 选择算子是高精度实现还是高性能实现。支持如下:
high_precision,
high_performance, default
high_precision_for_all,
high_performance_for_all.
--optypelist_for_implmode 列举算子optype的列表,该列表中的算子使用--op_select_implmode参数指定的模式。 E.g.: "node_name1,node_name2"
--op_debug_level TBE算子编译debug功能开关。
0 (default): Disable debug;
1: Enable TBE pipe_all, and generate the operator CCE file and Python-CCE mapping file (.json);
2: Enable TBE pipe_all, generate the operator CCE file and Python-CCE mapping file (.json), and enable the CCE compiler -O0-g.
3: Disable debug, and keep generating kernel file (.o and .json)
4: Disable debug, keep generation kernel file (.o and .json) and generate the opera
五、离线推理应用开发
1.AscendCL
AscendCL(Ascend Computing Language)是一套用于在昇腾平台上开发深度神经网络推理应用的C语言API库,提供Device管理、Context管理、Stream管理、内存管理、模型加载与执行、算子加载与执行、媒体数据处理等C语言API库。
在运行应用时,AscendCL调用GE执行器提供的接口实现模型和算子的加载与执行、调用运行管理器的接口实现Device管理、Context管理、Stream管理、内存管理等。
计算资源层是昇腾AI处理器的硬件算力基础,主要完成神经网络的矩阵相关计算、完成控制算子/标量/向量等通用计算和执行控制功能、完成图像和视频数据的预处理,为深度神经网络计算提供了执行上的保障。
pyACL(Python Ascend Computing Language)就是在AscendCL的基础上使用CPython封装得到的Python API库。
- 逻辑架构图:
1)接口调用流程
-
AscendCL初始化。
调用acl.init接口实现初始化pyACL。
-
运行管理资源申请。
依次申请运行管理资源:Device、Context、Stream。
-
算子调用
- 加载算子om文件,运行算子时使用。
- 执行算子,输出算子的运行结果。
-
模型推理。
- 模型加载
- (可选)数据预处理:可实现JPEG图片解码、视频解码、抠图/图片缩放/格式转换、JPEG图片编码、视频编码等功能。参见AIPP与DVPP。
- 模型推理
- (可选)数据后处理:处理模型推理的结果。
- 模型卸载:调用acl.mdl.unload接口卸载模型。
-
运行管理资源释放。
所有数据处理都结束后,需要依次释放运行管理资源:Stream、Context、Device。
-
pyACL去初始化。
调用acl.finalize接口实现pyACL去初始化。
2.预处理模块AIPP与DVPP
1)AIPP
AIPP(Artificial Intelligence Pre-Processing)在AI Core上完成数据预处理,主要功能包括改变图像尺寸
(Crop/Padding配置)、色域转换
(转换图像格式)、归一化配置
(减均值/乘系数)等。可通过ATC工具配置模型的AIPP功能。
AIPP使能模式:
- 静态AIPP:模型生成后,AIPP参数值被保存在离线模型中,每次模型推理过程采用固定的AIPP预处理参数进行处理,而且在之后的推理过程中无法通过业务代码进行直接的修改。
- 动态AIPP:每次模型推理前,根据需求,在执行模型前设置动态AIPP参数值,然后在模型执行时可使用不同的AIPP参数。动态AIPP参数值会根据需求在不同的业务场景下选用合适的参数(如不同摄像头采用不同的归一化参数,输入图片格式需要兼容YUV420和RGB等)。
AIPP支持的图像输入格式:
- YUV420SP_U8、RGB888_U8、XRGB8888_U8、YUV400_U8。
2)DVPP
DVPP(Digital Vision Pre-Processor)是昇腾AI处理器内置的图像处理单元,通过pyACL媒体数据处理接口提供强大的媒体处理硬加速能力,主要功能包括缩放、抠图、格式转换、图片编解码、视频编解码等。
-
pyACL提供了基于DVPP硬件的媒体数据处理接口
功能 说明 VPC(Vision Preprocessing Core) 处理YUV、RGB等格式的图片,包括缩放、抠图、图像金字塔、色域转换等。 JPEGD(JPEG Decoder) JPEG压缩格式-->YUV格式的图片解码。 JPEGE(JPEG Encoder) YUV格式-->JPEG压缩格式的图片编码。 VDEC(Video Decoder) H264/H265格式-->YUV/RGB格式的视频码流解码。 VENC(Video Encoder) YUV420SP格式-->H264/H265格式的视频码流编码。 PNGD(PNG decoder) PNG格式-->RGB格式的图片解码。 -
昇腾AI处理器对媒体数据处理V1版本各功能的支持度
昇腾AI处理器 VPC JPEGD JPEGE PNGD VDEC VENC 昇腾310 AI处理器 √ √ √ √ √ √ 昇腾910 AI处理器 √ √ √ √ √ x 昇腾310P AI处理器 √ √ √ √ √ √
3)AIPP与DVPP区别
- DVPP对输入、输出有特殊的限制(基于处理速度和处理占有量的考虑),对输出图片的宽高有对齐要求,且其输出格式通常为YUV420SP等格式。
- AIPP能力是对DVPP能力的有效补充,AIPP主要用于在AI Core上完成数据预处理,AIPP提供色域转换功能、Crop(抠图)和Padding(补边)功能,可以输出色域转换和固定大小的图片。
- 处理顺序:原图/视频流 -> DVPP -> AIPP -> 模型推理。
3.Python推理
基于现有模型,使用pyACL提供的Python语言API库开发深度神经网络应用,用于实现目标识别、图像分类等功能。
1)推理过程
# 导入acl模块
import acl
# 1.pyACL初始化
ret = acl.init()
# 2.运行管理资源申请(Device、Context及Stream)
self.device_id = 0
# 指定运算的Device。
ret = acl.rt.set_device(self.device_id)
# 显式创建一个Context,用于管理Stream对象。
self.context, ret = acl.rt.create_context(self.device_id)
# 3.加载模型,并获取模型描述信息
# 初始化变量。
self.model_path = './model/resnet50.om'
# 加载离线模型文件,返回标识模型的ID。
self.model_id, ret = acl.mdl.load_from_file(self.model_path)
# 根据加载成功的模型的ID,获取该模型的描述信息。
self.model_desc = acl.mdl.create_desc()
ret = acl.mdl.get_desc(self.model_desc, self.model_id)
# 4.准备模型推理的输入、输出数据结构
# 初始化变量。
ACL_MEM_MALLOC_HUGE_FIRST = 0
# 创建aclmdlDataset类型的数据,描述模型推理的输入。
self.load_input_dataset = acl.mdl.create_dataset()
# 获取模型输入的数量。
input_size = acl.mdl.get_num_inputs(self.model_desc)
self.input_data = []
# 循环为每个输入申请内存,并将每个输入添加到aclmdlDataset类型的数据中。
for i in range(input_size):
buffer_size = acl.mdl.get_input_size_by_index(self.model_desc, i)
# 获取模型输入维度
dims, ret = acl.mdl.get_input_dims(self.model_desc, i)
# 申请输入内存。
buffer, ret = acl.rt.malloc(buffer_size, ACL_MEM_MALLOC_HUGE_FIRST)
data = acl.create_data_buffer(buffer, buffer_size)
_, ret = acl.mdl.add_dataset_buffer(self.load_input_dataset, data)
self.input_data.append({"buffer": buffer, "size": buffer_size})
# 准备模型推理的输出数据集。
# 创建aclmdlDataset类型的数据,描述模型推理的输出。
self.load_output_dataset = acl.mdl.create_dataset()
# 获取模型输出的数量。
output_size = acl.mdl.get_num_outputs(self.model_desc)
self.output_data = []
# 循环为每个输出申请内存,并将每个输出添加到aclmdlDataset类型的数据中。
for i in range(output_size):
buffer_size = acl.mdl.get_output_size_by_index(self.model_desc, i)
# 申请输出内存。
buffer, ret = acl.rt.malloc(buffer_size, ACL_MEM_MALLOC_HUGE_FIRST)
data = acl.create_data_buffer(buffer, buffer_size)
_, ret = acl.mdl.add_dataset_buffer(self.load_output_dataset, data)
self.output_data.append({"buffer": buffer, "size": buffer_size})
# 5.准备模型推理的输入数据
img = cv2,imread("test.jpg")
# img前处理
bytes_data = img.tobytes()
np_ptr = acl.util.bytes_to_ptr(bytes_data)
# 将图片数据从Host传输到Device。同步内存复制
ret = acl.rt.memcpy(self.input_data[0]["buffer"], self.input_data[0]["size"], np_ptr,
self.input_data[0]["size"], ACL_MEMCPY_HOST_TO_DEVICE)
# 6.执行模型推理。
# self.model_id表示模型ID,在模型加载成功后,会返回标识模型的ID。
ret = acl.mdl.execute(self.model_id, self.load_input_dataset, self.load_output_dataset)
# 7.处理模型推理的输出数据。
inference_result = []
for i, item in enumerate(self.output_data):
buffer_host, ret = acl.rt.malloc_host(self.output_data[i]["size"])
# 将推理输出数据从Device传输到Host。同步内存复制
ret = acl.rt.memcpy(buffer_host, self.output_data[i]["size"], self.output_data[i]["buffer"],
self.output_data[i]["size"], ACL_MEMCPY_DEVICE_TO_HOST)
# 将指针转换bytes对象
bytes_out = acl.util.ptr_to_bytes(buffer_host, self.output_data[i]["size"])
# bytes转numpy
data = np.frombuffer(bytes_out, dtype=np.byte)
inference_result.append(data)
tuple_st = struct.unpack("1000f", bytearray(inference_result[0]))
vals = np.array(tuple_st).flatten()
# 8.释放模型推理的输入、输出资源。
# 释放输入资源,包括数据结构和内存。
while self.input_data:
item = self.input_data.pop()
ret = acl.rt.free(item["buffer"])
input_number = acl.mdl.get_dataset_num_buffers(self.load_input_dataset)
for i in range(input_number):
data_buf = acl.mdl.get_dataset_buffer(self.load_input_dataset, i)
if data_buf:
ret = acl.destroy_data_buffer(data_buf)
ret = acl.mdl.destroy_dataset(self.load_input_dataset)
# 释放输出资源,包括数据结构和内存。
while self.output_data:
item = self.output_data.pop()
ret = acl.rt.free(item["buffer"])
output_number = acl.mdl.get_dataset_num_buffers(self.load_output_dataset)
for i in range(output_number):
data_buf = acl.mdl.get_dataset_buffer(self.load_output_dataset, i)
if data_buf:
ret = acl.destroy_data_buffer(data_buf)
ret = acl.mdl.destroy_dataset(self.load_output_dataset)
# 9.卸载模型,释放模型描述信息、管理资源和pyACL去初始化。
# 卸载模型。
ret = acl.mdl.unload(self.model_id)
# 释放模型描述信息。
if self.model_desc:
ret = acl.mdl.destroy_desc(self.model_desc)
self.model_desc = None
# 释放Context。
if self.context:
ret = acl.rt.destroy_context(self.context)
self.context = None
# 释放Device。
ret = acl.rt.reset_device(self.device_id)
# pyACL去初始化
ret = acl.finalize()
-
同步内存复制
# 1.申请内存。 size = 1 * 1024 * 1024 host_ptr_a, ret = acl.rt.malloc_host(size) dev_ptr_b, ret = acl.rt.malloc(size, ACL_MEM_MALLOC_NORMAL_ONLY) # 2.申请内存后,可向内存中读入数据,该自定义函数fead_file由用户实现。 fead_file(fileName, host_ptr_a, size) # 3.同步内存复制。 #host_ptr_a表示Host上源内存地址指针,dev_ptr_b表示Device上目的内存地址指针,size表示内存大小。 # ACL_MEMCPY_HOST_TO_DEVICE = 1 ret = acl.rt.memcpy(dev_ptr_b, size, host_ptr_a, size, ACL_MEMCPY_HOST_TO_DEVICE) # 4.使用完内存中的数据后,需及时释放资源。 ret = acl.rt.free_host(host_ptr_a) ret = acl.rt.free(dev_ptr_b)
-
异步内存复制
# 1.申请内存。 size = 1 * 1024 * 1024 # 异步内存复制要求,内存首地址64字节对齐,使用acl.rt.malloc_host 需多申请64字节。 host_ptr_a, ret = acl.rt.malloc_host(size + 64) # host申请的内存需要用户自己64对齐处理。 host_align = host_ptr_a + 64 - host_ptr_a % 64 # acl.rt.malloc 申请的Device 侧内存系统保证已经符合64对齐。 dev_ptr_b, ret = acl.rt.malloc(size, ACL_MEM_MALLOC_NORMAL_ONLY) # 2.申请内存后,可向内存中读入数据,该自定义函数fead_file由用户实现。 fead_file(fileName, host_align, size) # 3.异步内存复制。 # host_align 表示Host上源内存地址指针,dev_ptr_b表示Device上目的内存地址指针,size表示内存大小。 # ACL_MEMCPY_HOST_TO_DEVICE = 1。 ret = acl.rt.memcpy_async(dev_ptr_b, size , host_align, size, ACL_MEMCPY_HOST_TO_DEVICE, stream) ret = acl.rt.synchronize_stream(stream) # 4.使用完内存中的数据后,需及时释放资源。 ret = acl.rt.destroy_stream(stream) ret = acl.rt.free_host(host_ptr_a) ret = acl.rt.free(dev_ptr_b)
- 多模型推理注意:一个进程内只能调用一次acl.init和acl.finalize接口。
2)官方参考样例
ascendcl-samples: 以CANN AscendCL接口进行开发的样例库。
-
ModelZoo-PyTorch/ACL_Pytorch:基于昇腾芯片的推理模型参考。
-
modelzoo-GPL/ACL_Pytorch/Yolov5_for_Pytorch:对ACL_Pytorch的YoloV3/V5/V7的补充。
-
由于slice+concat算子在Ascend AI框架下耗时比较高,所以YoloV5模型想要加速需要把slice+concat算子功能放到CPU实现。
源模型网络:
<img src="https://upload-images.jianshu.io/upload_images/15877540-48decc4a975db971.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240" style="zoom: 67%;" />
修改后网络:
<img src="https://upload-images.jianshu.io/upload_images/15877540-dea8ed4fb091718b.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240" style="zoom:67%;" />
-
-
4.C&C++ 推理
1)头文件和库文件说明
AscendCL头文件在“CANN软件安装后文件存储路径/include/”目录下,AscendCL库文件在“CANN软件安装后文件存储路径/lib64/”目录下。
定义接口的头文件 | 用途 | 对应的库文件 |
---|---|---|
acl/acl_base.h | 用于定义基本的数据类型(例如aclDataBuffer、aclTensorDesc等)及其操作接口、枚举值(例如aclFormat)、日志管理接口等。 | libascendcl.so |
acl/acl.h | 该头文件中已包含acl/acl_mdl.h、acl/acl_rt.h、acl/acl_op.h。可以引用初始化/去初始化、Device管理、算力Group查询与设置、Context管理、Stream管理、同步等待、内存管理、模型加载与执行、算子编译(不包括aclopCompile接口)、算子加载与执行(不包括aclopCompileAndExecute接口)等接口。 | libascendcl.so |
acl/acl_prof.h | 用于定义Profiling配置的接口。 | libmsprofiler.so |
acl/ops/acl_cblas.h | 用于定义CBLAS接口。 | libacl_cblas.so |
acl/ops/acl_dvpp.h | 用于定义媒体数据处理V1版本的接口。 | libacl_dvpp.so |
acl/ops/acl_fv.h | 用于定义特征向量检索的接口。昇腾310 AI处理器,当前不支持引用该头文件中的接口。昇腾910 AI处理器,当前不支持引用该头文件中的接口。 | libacl_retr.so |
acl/acl_op_compiler.h | 用于定义aclopCompile、aclopCompileAndExecute、aclSetCompileopt等算子在线编译相关的接口、数据类型、枚举值等。 | libacl_op_compiler.so |
acl/acl_tdt.h | 用于定义Tensor数据传输接口。昇腾310 AI处理器,当前不支持引用该头文件中的接口。 | libacl_tdt_channel.so |
acl/acl_tdt_queue.h | 用于定义共享队列管理、共享Buffer管理接口。预留功能,当前暂不支持引用该头文件中的接口。 | libacl_tdt_queue.so |
acl/dvpp/hi_dvpp.h | 用于定义媒体数据处理V2版本的接口。 | libacl_dvpp_mpi.so |
2)推理过程
#include "acl/acl.h"
#include <iostream>
#include <fstream>
#include <cstring>
#include <map>
using namespace std;
size_t pictureDataSize = 0;
void *pictureHostData;
void *pictureDeviceData;
//申请内存,使用C/C++标准库的函数将测试图片读入内存
void ReadPictureTotHost(const char *picturePath)
{
string fileName = picturePath;
ifstream binFile(fileName, ifstream::binary);
binFile.seekg(0, binFile.end);
pictureDataSize = binFile.tellg();
binFile.seekg(0, binFile.beg);
aclError ret = aclrtMallocHost(&pictureHostData, pictureDataSize);
binFile.read((char*)pictureHostData, pictureDataSize);
binFile.close();
}
//申请Device侧的内存,再以内存复制的方式将内存中的图片数据传输到Device
void CopyDataFromHostToDevice()
{
aclError ret = aclrtMalloc(&pictureDeviceData, pictureDataSize, ACL_MEM_MALLOC_HUGE_FIRST);
ret = aclrtMemcpy(pictureDeviceData, pictureDataSize, pictureHostData, pictureDataSize, ACL_MEMCPY_HOST_TO_DEVICE);
}
int main()
{
int32_t deviceId = 0;
uint32_t modelId;
aclmdlDataset *inputDataSet;
aclDataBuffer *inputDataBuffer;
aclmdlDataset *outputDataSet;
aclDataBuffer *outputDataBuffer;
aclmdlDesc *modelDesc;
size_t outputDataSize = 0;
void *outputDeviceData;
void *outputHostData;
// 1.AscendCL初始化、运行管理资源申请(指定计算设备)
aclError ret;
ret = aclInit(nullptr);
ret = aclrtSetDevice(deviceId);
// 2.加载模型
const char *modelPath = "../model/resnet50.om";
ret = aclmdlLoadFromFile(modelPath, &modelId);
// 创建模型描述信息
modelDesc = aclmdlCreateDesc();
ret = aclmdlGetDesc(modelDesc, modelId);
// 3.将测试图片数据读入内存,并传输到Device侧,用于后续推理使用
const char *picturePath = "../data/dog1_1024_683.bin";
ReadPictureTotHost(picturePath);
CopyDataFromHostToDevice();
//4.准备模型推理的输入输出数据结构
// 创建aclmdlDataset类型的数据,描述模型推理的输入
inputDataSet = aclmdlCreateDataset();
inputDataBuffer = aclCreateDataBuffer(pictureDeviceData, pictureDataSize);
ret = aclmdlAddDatasetBuffer(inputDataSet, inputDataBuffer);
// 创建aclmdlDataset类型的数据,描述模型推理的输出
outputDataSet = aclmdlCreateDataset();
// 获取模型输出数据需占用的内存大小,单位为Byte
outputDataSize = aclmdlGetOutputSizeByIndex(modelDesc, 0);
// 申请输出内存
ret = aclrtMalloc(&outputDeviceData, outputDataSize, ACL_MEM_MALLOC_HUGE_FIRST);
outputDataBuffer = aclCreateDataBuffer(outputDeviceData, outputDataSize);
ret = aclmdlAddDatasetBuffer(outputDataSet, outputDataBuffer);
// 5.执行推理
ret = aclmdlExecute(modelId, inputDataSet, outputDataSet);
// 6.获取推理结果数据
ret = aclrtMallocHost(&outputHostData, outputDataSize);
ret = aclrtMemcpy(outputHostData, outputDataSize, outputDeviceData, outputDataSize, ACL_MEMCPY_DEVICE_TO_HOST);
// 将内存中的数据转换为float类型
float* outFloatData = reinterpret_cast<float *>(outputHostData);
// 7.释放模型描述信息,卸载模型
aclmdlDestroyDesc(modelDesc);
aclmdlUnload(modelId);
// 8.释放内存、销毁推理相关的数据类型
ret = aclrtFreeHost(pictureHostData);
pictureHostData = nullptr;
ret = aclrtFree(pictureDeviceData);
pictureDeviceData = nullptr;
aclDestroyDataBuffer(inputDataBuffer);
inputDataBuffer = nullptr;
aclmdlDestroyDataset(inputDataSet);
inputDataSet = nullptr;
ret = aclrtFreeHost(outputHostData);
outputHostData = nullptr;
ret = aclrtFree(outputDeviceData);
outputDeviceData = nullptr;
aclDestroyDataBuffer(outputDataBuffer);
outputDataBuffer = nullptr;
aclmdlDestroyDataset(outputDataSet);
outputDataSet = nullptr;
// 9.计算设备释放,AscendCL去初始化
aclError ret = aclrtResetDevice(deviceId);
aclFinalize();
}