• AT800(3000) +昇腾300V 之 第一个例子图片分类

    第一个列子

    背景

    第一个例子是 图片分类的应用

    因第一个，直接获取已训练好的开源模型，选择Caffe框架的ResNet-50模型。

    ResNet-50模型的基本介绍如下：

    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

    开发流程

    AscendCL（Ascend Computing Language）是一套用于在CANN（Compute Architecture for Neural Networks）上开发深度神经网络推理应用的C语言API库，提供模型加载与执行、媒体数据处理、算子加载与执行等API，能够实现在昇腾CANN平台上进行深度学习推理计算、图形图像预处理、单算子加速计算等能力。

    图片流程来自昇腾社区
    在这里插入图片描述

    准备模型

    昇腾 需要专用的模型，第一步 需要对开源模型进行转换。
    使用ATC（Ascend Tensor Compiler）工具将开源框架的网络模型转换为适配昇腾AI处理器的离线模型（*.om文件）。

    ATC 参数说明

    • – model：ResNet-50网络的模型文件（*.prototxt）的路径。
    • –weight：ResNet-50网络的权重文件（*.caffemodel）的路径。
    • –framework：原始框架类型。0：表示Caffe；1：表示MindSpore；3：表示TensorFlow；5：表示ONNX。
    • –output：resnet50.om模型文件的路径。请注意，记录保存该om模型文件的路径，后续开发应用时需要使用。
    • –soc_version：昇腾AI处理器的版本。
     npu-smi info
+--------------------------------------------------------------------------------------------------------+
| npu-smi 23.0.rc2                                 Version: 23.0.rc2                                     |
+-------------------------------+-----------------+------------------------------------------------------+
| NPU     Name                  | Health          | Power(W)     Temp(C)           Hugepages-Usage(page) |
| Chip    Device                | Bus-Id          | AICore(%)    Memory-Usage(MB)                        |
+===============================+=================+======================================================+
| 0       310P3                 | OK              | NA           44                0     / 0             |
| 0       0                     | 0000:01:00.0    | 0            1698 / 21527                            |
+===============================+=================+======================================================+
| 32      310P3                 | OK              | NA           41                0     / 0             |
| 0       1                     | 0000:02:00.0    | 0            1699 / 21527                            |
+===============================+=================+======================================================+
| 32800   310P3                 | OK              | NA           45                0     / 0             |
| 0       2                     | 0000:82:00.0    | 0            1697 / 21527                            |
+===============================+=================+======================================================+
| 32896   310P3                 | OK              | NA           47                0     / 0             |
| 0       3                     | 0000:85:00.0    | 0            1698 / 21527                            |
+===============================+=================+======================================================+

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19

    Name 310P3
    即soc_version 为Ascend310P3

    下载文件：

    • ResNet-50网络的模型文件（*.prototxt）：单击Link下载该文件。
    • ResNet-50网络的权重文件（*.caffemodel）：单击Link下载该文件。
    atc --model=model/resnet50.prototxt --weight=model/resnet50.caffemodel --framework=0 --output=model/resnet50 --soc_version=Ascend310P3

    • 1

    非root用户转换 失败 这里一定要用root

    
root# atc --model=model/resnet50.prototxt --weight=model/resnet50.caffemodel --framework=0 --output=model/resnet50 --soc_version=Ascend310P3
ATC start working now, please wait for a moment.
...
ATC run success, welcome to the next use.

    • 1
    • 2
    • 3
    • 4
    • 5

    开发

    推理流程

    • 初始化

      • 调用aclInit接口初始化AscendCL配置。
      • 调用aclFinalize接口实现AscendCL去初始化。

    • Device管理

      • 调用aclrtSetDevice接口指定用于运算的Device。
      • 调用aclrtGetRunMode接口获取昇腾AI软件栈的运行模式，根据运行模式的不同，内部处理流程不同。
      • 调用aclrtResetDevice接口复位当前运算的Device，回收Device上的资源。

    • Context管理

      • 调用aclrtCreateContext接口创建Context。
      • 调用aclrtSetCurrentContext接口设置线程的Context。
      • 调用aclrtDestroyContext接口销毁Context。

    • Stream管理

      • 调用aclrtCreateStream接口创建Stream。
      • 调用aclrtDestroyStream接口销毁Stream。

    • 内存管理

      • 调用aclrtMallocHost接口申请Host上内存。
      • 调用aclrtFreeHost释放Host上的内存。
      • 调用aclrtMalloc接口申请Device上的内存。
      • 调用aclrtFree接口释放Device上的内存。

    • 数据传输

      调用aclrtMemcpy接口通过内存复制的方式实现数据传输。

    • 模型推理

      • 调用aclmdlLoadFromFileWithMem接口从*.om文件加载模型。
      • 创建新线程（例如t1），在线程函数内调用aclrtProcessReport接口，等待指定时间后，触发回调函数（例如CallBackFunc，用于处理模型推理结果）。
      • 调用aclrtSubscribeReport接口，指定处理Stream上回调函数（CallBackFunc）的线程（t1）。
      • 调用aclmdlExecuteAsync接口执行模型推理，异步接口。
      • 调用aclrtLaunchCallback接口，在Stream的任务队列中增加一个需要在Host/Device上执行的回调函数（CallBackFunc）。
      • 调用aclrtSynchronizeStream接口，阻塞应用程序运行，直到指定Stream中的所有任务都完成。
      • 调用aclrtUnSubscribeReport接口，取消线程注册，Stream上的回调函数（CallBackFunc）不再由指定线程（t1）处理。
      • 模型推理结束后，调用aclmdlUnload接口卸载模型。

    编码

    创建main.cpp

    #include "acl/acl.h"
#include 
#include 
#include 
#include 
using namespace std;

int32_t deviceId = 0;
void InitResource()
{
 aclError ret = aclInit(nullptr);
 ret = aclrtSetDevice(deviceId);
}

uint32_t modelId;
void LoadModel(const char* modelPath)
{
 aclError ret = aclmdlLoadFromFile(modelPath, &modelId);
}
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);
}
void LoadPicture(const char* picturePath)
{
 ReadPictureTotHost(picturePath);
 CopyDataFromHostToDevice();
}

aclmdlDataset *inputDataSet;
aclDataBuffer *inputDataBuffer;
aclmdlDataset *outputDataSet;
aclDataBuffer *outputDataBuffer;
aclmdlDesc *modelDesc;
size_t outputDataSize = 0;
void *outputDeviceData;
// 准备模型推理的输入数据结构
void CreateModelInput()
{
 // 创建aclmdlDataset类型的数据，描述模型推理的输入
 inputDataSet = aclmdlCreateDataset();
 inputDataBuffer = aclCreateDataBuffer(pictureDeviceData, pictureDataSize);
 aclError ret = aclmdlAddDatasetBuffer(inputDataSet, inputDataBuffer);
}
// 准备模型推理的输出数据结构
void CreateModelOutput()
{
 // 创建模型描述信息
 modelDesc = aclmdlCreateDesc();
 aclError ret = aclmdlGetDesc(modelDesc, modelId);
 // 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);
}
// 执行模型
void Inference()
{
 CreateModelInput();
 CreateModelOutput();
 aclError ret = aclmdlExecute(modelId, inputDataSet, outputDataSet);
}


void *outputHostData;
void PrintResult()
{
 // 获取推理结果数据
 aclError 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(outputHostData);
 
 // 屏显测试图片的top5置信度的类别编号
 map> resultMap;
 for (unsigned int j = 0; j < outputDataSize / sizeof(float);++j)
 {
 resultMap[*outFloatData] = j;
 outFloatData++;
 }
 
 int cnt = 0;
 for (auto it = resultMap.begin();it != resultMap.end();++it)
 {
 if(++cnt > 5)
 {
 break;
 }
 printf("top %d: index[%d] value[%lf] \n", cnt, it->second, it->first);
 }
}

void UnloadModel()
{
 // 释放模型描述信息
 aclmdlDestroyDesc(modelDesc);
 // 卸载模型
 aclmdlUnload(modelId);
}

void UnloadPicture()
{
 aclError 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;
}


void DestroyResource()
{
 aclError ret = aclrtResetDevice(deviceId);
 aclFinalize();
}

int main()
{ 
 // 1.定义一个资源初始化的函数，用于AscendCL初始化、运行管理资源申请（指定计算设备）
 InitResource();
 
 // 2.定义一个模型加载的函数，加载图片分类的模型，用于后续推理使用
 const char *modelPath = "../model/resnet50.om";
 LoadModel(modelPath);
 
 // 3.定义一个读图片数据的函数，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";
 LoadPicture(picturePath);
 
 // 4.定义一个推理的函数，用于执行推理
 Inference();

  // 5.定义一个推理结果数据处理的函数，用于在终端上屏显测试图片的top5置信度的类别编号
 PrintResult();
 
 // 6.定义一个模型卸载的函数，卸载图片分类的模型
 UnloadModel();
 
 // 7.定义一个函数，用于释放内存、销毁推理相关的数据类型，防止内存泄露
 UnloadPicture();
 
 // 8.定义一个资源去初始化的函数，用于AscendCL去初始化、运行管理资源释放（释放计算设备）
 DestroyResource();
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56
    • 57
    • 58
    • 59
    • 60
    • 61
    • 62
    • 63
    • 64
    • 65
    • 66
    • 67
    • 68
    • 69
    • 70
    • 71
    • 72
    • 73
    • 74
    • 75
    • 76
    • 77
    • 78
    • 79
    • 80
    • 81
    • 82
    • 83
    • 84
    • 85
    • 86
    • 87
    • 88
    • 89
    • 90
    • 91
    • 92
    • 93
    • 94
    • 95
    • 96
    • 97
    • 98
    • 99
    • 100
    • 101
    • 102
    • 103
    • 104
    • 105
    • 106
    • 107
    • 108
    • 109
    • 110
    • 111
    • 112
    • 113
    • 114
    • 115
    • 116
    • 117
    • 118
    • 119
    • 120
    • 121
    • 122
    • 123
    • 124
    • 125
    • 126
    • 127
    • 128
    • 129
    • 130
    • 131
    • 132
    • 133
    • 134
    • 135
    • 136
    • 137
    • 138
    • 139
    • 140
    • 141
    • 142
    • 143
    • 144
    • 145
    • 146
    • 147
    • 148
    • 149
    • 150
    • 151
    • 152
    • 153
    • 154
    • 155
    • 156
    • 157
    • 158
    • 159
    • 160
    • 161
    • 162
    • 163
    • 164
    • 165
    • 166
    • 167
    • 168
    • 169
    • 170
    • 171
    • 172
    • 173
    • 174
    • 175
    • 176
    • 177
    • 178
    • 179
    • 180

    编译与运行

    bash sample_build.sh 
-- The C compiler identification is GNU 9.4.0
-- The CXX compiler identification is GNU 9.4.0
-- Check for working C compiler: /usr/bin/cc
-- Check for working C compiler: /usr/bin/cc -- works
-- Detecting C compiler ABI info
-- Detecting C compiler ABI info - done
-- Detecting C compile features
-- Detecting C compile features - done
-- Check for working CXX compiler: /usr/bin/g++
-- Check for working CXX compiler: /usr/bin/g++ -- works
-- Detecting CXX compiler ABI info
-- Detecting CXX compiler ABI info - done
-- Detecting CXX compile features
-- Detecting CXX compile features - done
-- env INC_PATH: /usr/local/Ascend/ascend-toolkit/latest
-- env LIB_PATH: /usr/local/Ascend/ascend-toolkit/latest/aarch64-linux/devlib
-- Configuring done
-- Generating done
-- Build files have been written to: /home/shaolin/demo/build/intermediates/host
Scanning dependencies of target main
[ 50%] Building CXX object CMakeFiles/main.dir/main.cpp.o
[100%] Linking CXX executable /home/shaolin/demo/out/main
[100%] Built target main
make for app MyFirstApp_build Successfully
bash sample_run.sh 
top 1: index[161] value[0.766602] 
top 2: index[162] value[0.155762] 
top 3: index[167] value[0.038452] 
top 4: index[163] value[0.021576] 
top 5: index[166] value[0.011642] 

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31

    参考

    有疑问 欢迎加公众号 讨论

    请添加图片描述

  • 相关阅读:
    408知识框架总结——计算机网络
    汇编：循环结构
    netty系列之:EventExecutor,EventExecutorGroup和netty中的实现
    前缀,中缀,后缀表达式规则 [数据结构][Java]
    【python爬虫】——历史天气信息爬取
    如何对ppt文件设置修改权限？
    Application of the Radical Method in Solving Indeterminate Equations(Groups)
    Kamiya丨Kamiya艾美捷小鼠血红蛋白ELISA说明书
    Mac 中 MySQL 的安装与卸载
    （附源码）spring boot智能服药提醒app 毕业设计 102151
  • 原文地址：https://blog.csdn.net/dunwin/article/details/134088553