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 resnet50 网络的 paddle 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 paddle 实现来自 github 开源项目https://github.com/PaddlePaddle/PaddleClas 。 下面将展示如何将该项目中 paddle 实现的 resnet50 模型转换为 MagicMind 的模型。
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 magicmind_cloud/buildin/cv/classification/resnet50_paddle在开始运行代码前需要执行以下命令安装必要的库：
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/ -f https://download.pytorch.org/whl/torch_stable.html在开始运行代码前需要先检查 env.sh 里的环境变量，并且执行以下命令：
source env.sh- 下载数据集和模型
cd $PROJ_ROOT_PATH/export_model
bash run.shcd $PROJ_ROOT_PATH/gen_model
#bash run.sh <magicmind_model> <precision> <batch_size> <dynamic_shape>
bash run.sh ${MODEL_PATH}/resnet50_paddle_model_force_float32_true force_float32 1 truecd $PROJ_ROOT_PATH/infer_python
#bash run.sh <magicmind_model> <batch_size> <image_num>
bash run.sh ${MODEL_PATH}/resnet50_paddle_model_force_float32_true 1 1000结果:
top1: 0.776
top5: 0.937以上 3.3~3.5 的步骤也可以通过运行 cd magicmind_cloud/buildin/cv/classification/resnet50_paddle && bash run.sh 来实现一键执行
ONNX resnet50 模型转换为 MagicMind resnet50 模型分成以下几步：
- 使用 MagicMind Parser 模块将 onnx 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。
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PyTorch）模型解析、MagicMind 配置设定等，这些公共组件的说明详见：公共组件的README.md
概述： 本例使用 MagicMind PYTHON API 编写了名为 infer_python 的目标检测程序。infer_python 将展示如何使用 MagicMind PYTHON API 构建高效的 resnet50 图像分类(图像预处理=>推理=>后处理)。
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。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_size: 生成可变模型时 batch_size 可以在 dimension range 内取值，生成不可变模型时 batch_size 的取值需要对应 onnx 的输入维度。
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 $MM_MODEL --devices $DEV_ID --threads 1 --iterations 1000或者通过一键运行 benchmark 里的脚本：
cd ${PROJ_ROOT_PATH}
bash benchmark/perf.sh一键运行 benchmark 里的脚本跑出 ResNet50 在 IMAGENET2012 数据集上的 TOP1 和 TOP5 如下：
cd ${PROJ_ROOT_PATH}
bash benchmark/eval.sh| Model | Precision | Batch_Size | TOP1 | TOP5 |
|---|---|---|---|---|
| ResNet50 | force_float32 | 1 | 0.76502 | 0.93004 |
| ResNet50 | force_float16 | 1 | 0.76502 | 0.92996 |
| ResNet50 | qint8_mixed_float16 | 1 | 0.75972 | 0.92776 |
resnet50 magicmind模型测试参数设置与PaddleClas保持一致如下：
# config file: PaddleClas/ppcls/configs/ImageNet/ResNet/ResNet50.yaml
# line104 - line119
Infer:
infer_imgs: docs/images/inference_deployment/whl_demo.jpg
batch_size: 10
transforms:
- DecodeImage:
to_rgb: True
channel_first: False
- ResizeImage:
resize_short: 256
- CropImage:
size: 224
- NormalizeImage:
scale: 1.0/255.0
mean: [0.485, 0.456, 0.406]
std: [0.229, 0.224, 0.225]
order: ''
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。
- resnet50 paddle 模型：https://github.com/PaddlePaddle/PaddleClas/blob/release/2.3/ppcls/arch/backbone/model_zoo/resnest.py
- resnet50 paddle 模型下载链接：https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/ResNet50_infer.tar
- LSVRC_2012 验证集链接: https://image-net.org/challenges/LSVRC