MagicMind 是面向寒武纪 MLU 的推理加速引擎。MagicMind 能将 AI 框架(TensorFlow,PyTorch,ONNX 等) 训练好的算法模型转换成 MagicMind 统一计算图表示,并提供端到端的模型优化、代码生成以及推理业务部署能力。
本 sample 探讨如何将 DenseNet121 网络的 Caffe 模型转换为 MagicMind 模型，进而部署在寒武纪 MLU 板卡上。
本例使用的 DenseNet121 Caffe 模型来自:https://github.com/shicai/DenseNet-Caffe。 下面将展示如何将该项目中 Caffe 实现的 DenseNet121 模型转换为 MagicMind 模型。
请移至主页面 README.md的2.前提条件
请移至主页面 README.md的3.环境准备
# 下载仓库
git clone 本仓库
cd /home/Cambricon-MLU370/modelzoo/magicmind_cloud/buildin/cv/classification/densenet121_caffe在开始运行代码前需要先检查 env.sh 里的环境变量，根据数据集实际路径修改 env.sh 内的 ILSVRC2012_DATASETS_PATH, 并且执行以下命令：
source env.shcd ${PROJ_ROOT_PATH}/export_model
bash run.shcd ${PROJ_ROOT_PATH}/gen_model
# bash run.sh <magicmind_model> <precision> <batch_size> <dynamic_shape>
# 指定您想输出的magicmind_model路径，例如./model
bash run.sh ${magicmind_model} force_float32 1 true1.infer_cpp
cd ${PROJ_ROOT_PATH}/infer_cpp
# 对1000张图片进行推理，仅供示范，文末的精度结果为5000张图片的推理结果。
#bash run.sh <magicmind_model> <batch_size> <image_num>
bash run.sh ${magicmind_model} 1 1000结果：
top5 result in ILSVRC2012_val_00023660:
0 [pizza, pizza pie]
1 [bakery, bakeshop, bakehouse]
2 [grocery store, grocery, food market, market]
3 [hotdog, hot dog, red hot]
4 [zucchini, courgette]计算 top1 和 top5 精度:
`infer_cpp/run.sh`内包含了精度计算模块，关键代码如下：
# infer_res_dir由 infer_cpp/run.sh 创建，
# 例如：mobilenetv2_caffe_model_force_float32_false_1_infer_res/
# 具体创建规则详见 infer_cpp/run.sh
function compute_acc(){
infer_res_dir=${1}
log_file=${infer_res_dir}/log_eval
python ${UTILS_PATH}/compute_top1_and_top5.py \
--result_label_file ${infer_res_dir}/eval_labels.txt \
--result_1_file ${infer_res_dir}/eval_result_1.txt \
--result_5_file ${infer_res_dir}/eval_result_5.txt \
--top1andtop5_file ${infer_res_dir}/eval_result.txt 2>&1 |tee ${log_file}
}
compute_acc ${infer_res_dir}结果：
top1: 0.747
top5: 0.931以上 3.3~3.5 的步骤也可以通过运行 cd magicmind_cloud/buildin/cv/classification/densenet121_caffe && bash run.sh 来实现一键执行
Caffe DenseNet121 模型转换为 MagicMind DenseNet121 模型分成以下几步：
- 使用 MagicMind Parser 模块将 caffe 文件解析为 MagicMind 网络结构。
- 模型量化。
- 使用 MagicMind Builder 模块生成 MagicMind 模型实例并保存为离线模型文件。
参数说明:
注意：
在gen_model内使用了一些公共的组件，例如arg解析、第三方框架（如Caffe）模型解析、MagicMind 配置设定等，这些公共组件以及公共参数如batch_size, device_id的说明详见：python公共组件的README.md
大部分参数为公共参数，网络特定参数如下：
image_dir: 输入图像目录，程序对该目录下所有后缀为 jpg 的图片执行分类任务。
概述：
本例使用 MagicMind C++ API 编写了名为 infer.cpp 的基于 DenseNet121 网络的图像分类程序(图像预处理=>推理=>后处理)，可高效地完成图像分类任务。
参数说明:
device_id: 设备号。magicmind_model: MagicMind 模型路径。image_dir: 输入图像目录，程序对该目录下所有后缀为 jpg 的图片执行分类任务。image_num: 输入图像的数量。默认0，表示全部输入数据。name_file: imagenet 名称文件路径。label_file: 标签文件路径。result_file: 输入图像。result_label_file: 输出 label 文件。result_top1_file: top1 文件。result_top5_file: top5 文件。batch: 可变模型推理时 batch_size 可以在dim range范围内取值，不可变模型推理时 batch_size 的取值需要与 magicmind 模型输入维度对应。
注意：
在infer_cpp内使用了一些公共的组件，例如model_runner、日志系统、device抽象等，这些公共组件的说明详见：cpp公共组件的README.md
本仓库通过寒武纪提供的 Magicmind 性能测试工具 mm_run 展示性能数据
#查看参数说明
mm_run --h
mm_run --magicmind_model ${magicmind_model} --batch_size ${batch_size} --iterations 1000或者通过一键运行 benchmark 里的脚本：
cd ${PROJ_ROOT_PATH}/benchmark
bash perf.sh一键运行 benchmark 里的脚本跑出 DenseNet121 在 IMAGENET2012 数据集上的 TOP1 和 TOP5 如下：
cd ${PROJ_ROOT_PATH}/benchmark
bash eval.sh| Model | Precision | Batch_Size | TOP1 | TOP5 |
|---|---|---|---|---|
| DenseNet121 | force_float32 | 1 | 0.74846 | 0.92168 |
| DenseNet121 | force_float16 | 1 | 0.74846 | 0.92158 |
| DenseNet121 | qint8_mixed_float16 | 1 | 0.72806 | 0.91102 |
您明确了解并同意，以下链接中的软件、数据或者模型由第三方提供并负责维护。在以下链接中出现的任何第三方的名称、商标、标识、产品或服务并不构成明示或暗示与该第三方或其软件、数据或模型的相关背书、担保或推荐行为。您进一步了解并同意，使用任何第三方软件、数据或者模型，包括您提供的任何信息或个人数据（不论是有意或无意地），应受相关使用条款、许可协议、隐私政策或其他此类协议的约束。因此，使用链接中的软件、数据或者模型可能导致的所有风险将由您自行承担。
- densenet121 caffemodel 和 prototxt file 下载链接：https://github.com/shicai/DenseNet-Caffe
- LSVRC_2012 验证集链接: https://image-net.org/challenges/LSVRC