嵌入式AI周易 AIPU 算法部署仿真测试

Posted 2021-08-16 极智视界

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了嵌入式AI周易 AIPU 算法部署仿真测试相关的知识，希望对你有一定的参考价值。

本教程详细记录了使用周易 AIPU 进行算法部署仿真测试的方法，带大家尝尝鲜。

这里以 resnet_v1_101 为例（原谅我在边缘端用这么大的模型，这里纯粹就是为了跑通）。

文章目录

1、安装 docker 镜像环境

# pull 镜像
docker pull zepan/zhouyi

# run 容器
docker run -it zepan/zhouyi  /bin/bash

# 如果要vscode远程开发的话，可以加端口
docker run -it -p 9999:22 -v /path/to/container:/path/to/host zepan/zhouyi  /bin/bash

验证容器环境是否正常：

cd ~/demos/tflite

# 执行仿真
./run_sim.sh

在这里插入图片描述

# 验证结果
python3 quant_predict.py

在这里插入图片描述

2、准备模型文件

2.1 下载预训练模型:

wget http://download.tensorflow.org/models/resnet_v1_101_2016_08_28.tar.gz

解压得到 resnet_v1_101.ckpt

tar zxvf resnet_v1_101_2016_08_28.tar.gz

2.2 export graph

vim export_graph.sh

加入以下内容

# export graph
python3 export_inference_graph.py \\
    --alsologtostderr \\
    --model_name=resnet_v1_101 \\
    --image_size=224 \\
    --labels_offset=1 \\ 
    --output_file=tmp/resnet_v1_101_inf.pb

执行 ./export_graph.sh 后将在 tmp文件夹下生成 resnet_v1_101_inf.pb

2.3 freeze graph

vim freeze_graph.sh

加入以下内容：

# freeze graph
python3 freeze_graph.py \\
    --input_graph=tmp/resnet_v1_101_inf.pb \\
    --input_checkpoint=tmp/resnet_v1_101.ckpt \\
    --input_binary=true --output_graph=tmp/resnet_v1_101_frozen.pb \\
    --output_node_names= resnet_v1_101/predictions/Reshape_1

执行 ./freeze_graph.sh 后将在 tmp 文件夹下生成 resnet_v1_101_frozen.pb

通过如上三步操作，将生成如下模型文件，最终推理会用到的只有 resnet_v1_101_frozen.pb。
在这里插入图片描述

3、准备量化校准数据集

我这里没有自己去做数据集，使用了镜像提供的图片和标签。
在这里插入图片描述
制作量化校准数据集：

python3 preprocess_dataset.py

执行如上操作会生成 dataset.npy 和 label.npy
在这里插入图片描述

4、NN Compiler 配置

在有 resnet_v1_101_frozen.pb 和校准数据集之后，就可以编辑 NN Compiler 配置文件了。

在 config 目录下创建 resnet_101_build.cfg 和 resnet_101_run.cfg 配置文件。

resnet_101_build.cfg 内容如下：

[Common]
mode=build

[Parser]
model_name = resnet_101
detection_postprocess = 
model_domain = image_classification
output = resnet_v1_101/predictions/Reshape
input_model = ./tmp/resnet_v1_101_frozen.pb
input = input
input_shape = [1,224,224,3]

[AutoQuantizationTool]
model_name = resnet_101
quantize_method = SYMMETRIC
ops_per_channel = DepthwiseConv
calibration_data = ./dataset/dataset.npy
calibration_label = ./dataset/label.npy
preprocess_mode = normalize
quant_precision=int8
reverse_rgb = False
label_id_offset = 0

[GBuilder]
outputs=./aipu.bin
profile= True
target=Z1_0701

resnet_101_run.cfg 内容如下：

[Common]
mode=run

[Parser]
model_name = resnet_101
detection_postprocess = 
model_domain = image_classification
output = resnet_v1_101/predictions/Reshape
input_model = ./tmp/resnet_v1_101_frozen.pb
input = input
input_shape = [1,224,224,3]
output_dir = ./

[AutoQuantizationTool]
model_name = resnet_101
quantize_method = SYMMETRIC
ops_per_channel = DepthwiseConv
calibration_data = ./dataset/dataset.npy
calibration_label = ./dataset/label.npy
preprocess_mode = normalize
quant_precision=int8
reverse_rgb = False
label_id_offset = 0

[GBuilder]
inputs=./model/input.bin
simulator=aipu_simulator_z1
outputs=output_resnet_101.bin
profile= True
target=Z1_0701