一、学习目标

1.了解模型转换的原因

(资料图)

2.了解模型推理过程如何进行数据传输

3.了解模型推理步骤及代码逻辑

4.掌握模型转换工具的使用方法及常用参数意义

5.了解AIPP并掌握AIPP的使用方法

二、应用开发流程

三、模型转换

1. 模型转换的原因

当前昇腾AI处理器以及昇腾AI软件栈是没有办法直接拿比如Caffe，TensorFlow等开源框架网络模型来直接进行推理的，想要进行推理则需要做一步模型转换的步骤，将开源框架的网络模型转换成Davinci架构专用的模型。

2. ATC工具介绍

昇腾张量编译器（Ascend Tensor Compiler，简称ATC）是昇腾CANN架构体系下的模型转换工具：

它可以将开源框架的网络模型（如Caffe、TensorFlow等）以及Ascend IR定义的单算子描述文件转换为昇腾AI处理器支持的离线模型。

模型转换过程中，ATC会进行算子调度优化、权重数据重排、内存使用优化等具体操作，对原始的深度学习模型进行进一步的调优，从而满足部署场景下的高性能需求，使其能够高效执行在昇腾AI处理器上。

3. ATC工具使用流程

四、AIPP

1.介绍

AIPP（Artificial Intelligence Pre-Processing）人工智能预处理，用于在AI Core上完成数据预处理，包括改变图像尺寸、色域转换（转换图像格式）、均减值/乘系数（改变图像像素），数据预处理之后再进行真正的模型推理。

AIPP根据配置方式不同 ，分为静态AIPP和动态AIPP;如果要将原始图片输出为满足推理要求的图片格式，则需要使用色域转换功能;如果要输出固定大小的图片，则需要使用AIPP提供的Crop（抠图）、Padding（补边）功能。

2. 静态AIPP和动态AIPP

在使能AIPP功能时，只能选择静态AIPP或动态AIPP方式来处理图片，不能同时配置静态AIPP和动态AIPP两种方式，使能AIPP时可以通过aipp_mode参数控制。

静态AIPP：模型转换时设置AIPP模式为静态，同时设置AIPP参数，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。

如果使用静态AIPP方式，多batch情况下共用同一份AIPP参数。

动态AIPP：模型转换时设置AIPP模式为动态，每次在执行推理前，根据需求动态修改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。（在模型转换时设置了动态AIPP，则使用应用工程进行模型推理时，需要在aclmdlExecute接口之前，调用aclmdlSetInputAIPP接口，设置模型推理的动态AIPP数据。）

3. AIPP位置及输入

模型转换后第一层为AIPP；进行推理时，与AIPP连接的输入节点数据格式被强制改为NHWC，可能与atc转换命令—input_format参数指定的格式不同。

4. AIPP剪裁/填充

AIPP改变图片尺寸时，先Crop再Padding，每个操作仅能执行一次。

场景功能：输入到AlPP中的图片尺寸为srclmageSizeW,srclmageSizeH;模型要求的图片尺寸为dstlmageSizeW、dstlmageSizeH。

Crop操作：在原图中距离左上角宽load_start_pos_w,高load_start_pos_h距离的点裁剪出宽为crop_size_w,高为crop_size_h大小的图片。

Paste操作：指明在裁剪后的图像四周padding的尺寸，即left_padding_size、right_padding_size、top_padding_size和bottom_padding_size。而经过图像尺寸改变之后最终图片大小，需要跟模型文件输入的图像大小即模型要求的图片尺寸dstlmageSizeW、dstlmageSizeH相等。

其中，对于YUV420SP_U8图片类型，load_start_pos_w、load_start_pos_h参数必须配置为偶数。

开启Crop且没有配置padding,crop_size_w和crop_size_h才能取值为0或不配置。

此时抠图大小(crop_size[W|H])的宽和高取值来自模型文件--input_shape中的宽和高，并且--input_shape中的宽和高取值范围为[1,4096]。

通过这样的简单配置，就可以自动将输入的图片裁剪成模型要求的图片大小，避免输入预处理后的图片与模型要求的图片大小不一致的问题。但可能会带来丢失一部分原始图片而导致的精度损失问题。

5. AIPP色域转换

色域转换功能由csc_switch参数控制，并通过色域转换系数matrix_rc、通道交换rbuv_swap_switch等参数配合使用。

AIPP中，一旦确认了AIPP处理前与AIPP处理后的图片格式，即可确定色域转换相关的参数值，无需修改。

6. AIPP归一化

归一化就是要把需要处理的数据经过处理后限制在一定范围内，方便后面数据的处理。AIPP支持的归一化设置，通过减均值和乘系数的操作完成。其中，mean_chn_i表示每个通道的均值,min_chn_i表

示每个通道的最小值，var_reci_chm表示每个通道方差的倒数，各通路的这三个值都是需要进行配置的参数。

min_chn_i对应哪一个通道，取决于色域转换的结果。

五、模型转换基本场景及参数介绍

1.场景说明

模型：pytorch框架的ResNet-50开源模型

输入数据：RGB格式、224*224分辨率的输入图片。

输出数据：图片的类别标签及其对应置信度。

归一化：需要进行减均值（[0.485,0.456,0.406]）及乘系数（[0.229,0.224,0.225]）操作

2.不使用AIPP进行模型转换

转换命令：

经过模型转换后，输出的om模型和原始模型输入输出数据一致。此时数据预处理需要将数据处理为RGB格式、缩放到224＊224分辨率、数据进行归一化后才能送入om模型进行推理。

3.使用AIPP进行模型转换

AIPP配置：

转换命令：

经过模型转换后，输出的om模型和原始模型输入不一致，输出数据一致。此时数据预处理需要将数据处理为RGB格式、缩放到224＊224分辨率后即可送入om模型进行推理。此时om会先通过AIPP进行归一化，然后再继续推理。

4.参数说明

--model

原始网络模型文件路径与文件名。当原始模型为Caffe框架时，需要和--weight参数配合使用。

＃ Caffe模型

--model=resnet50.prototxt

--weight=resnet50.caffemodel

＃ MindSpore模型

--model=resnet50.air

＃ pb模型

--model=resnet50.pb

＃ onnx模型

--model=resnet50.onnx

--framework

原始网络模型框架类型。

--framework=0：Caffe框架网络模型

--framework=1：MindSpore框架网络模型

--framework=3：TensorFlow框架网络模型

--framework=5：ONNX格式网络模型

--input_format

输入数据格式。Caffe、ONNX默认为NCHW；TensorFlow默认为NHWC。该参数一般不需要填写，直接使用默认值即可，但是该参数存在以下限制：

（1）． 如果TensorFlow模型是通过ONNX模型转换工具输出的，则该参数必填，且值为NCHW。

（2）． 当原始框架为MindSpore时，只支持配置为NCHW。

（3）．如果模型转换时开启AIPP，在进行推理业务时，输入图片数据要求为NHWC排布，该场景下最终与AIPP连接的输入节点的格式被强制改成NHWC，可能与atc模型转换命令中——input＿format参数指定的格式不一致

--input_shape

指定模型输入数据的shape，格式为“input＿name：n，c，h，w＂；

（1）模型有多个输入，则不同输入之间使用英文分号分隔；input_name必须是转换前的网络模型中的节点名称。

（2）原始模型中输入数据的某个维度不固定，例如input＿name1：？，h，w，c，该参数必填。其中“？”为batch数，表示一次处理的图片数量

--output

当进行开源框架的网络模型转换时，填写输出的离线模型的路径以及文件名；转换后的模型文件名以该参数指定的为准，自动以.om后缀结尾。

--insert_op_conf

填写插入算子的配置文件路径与文件名，例如aipp预处理算子。

--insert_op_conf=aipp.cfg

--soc version

填写模型转换时昇腾A|处理器的版本。参数使用参考示例如下：

#异腾310Al处理器使用示例

--soc version=Ascend310

#昇腾310PAI处理器使用示例

--soc version=Ascend310P3

#昇腾910Al处理器使用示例

--s0c version=Ascend910A

六、其他场景及参数介绍

1.单算子模型转换

2.将原始模型或离线模型转成json文件

3.查询离线om模型的详细信息

关键词：