昇腾AscendCL推理应用开发入门教程(基于Python语言)

2023-10-22 13:20

本文主要是介绍昇腾AscendCL推理应用开发入门教程(基于Python语言),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

pyACL(Python Ascend Computing Language)是一套在AscendCL的基础上使用CPython封装得到的Python API库,使用户可以通过Python进行昇腾AI处理器的运行管理、资源管理等,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。

了解了这些大步骤后,下面我们再展开来说明开发应用具体涉及哪些关键功能?各功能又使用哪些pyACL接口,这些pyACL接口怎么串联?

虽然此时您可能不理解所有细节,但这也不影响,通过快速入门旨在先了解整体的代码逻辑,后续再深入学习,了解其它细节。

工程创建

首先,在开发环境中下创建“first_app”代码目录。

first_app 
├── data 
│   ├── dog1_1024_683.jpg         //测试图片1 
│   └── dog2_1024_683.jpg         //测试图片2 
└── model                          //用于存放ONNX ResNet-50模型文件 └── resnet50.onnx
  • 准备测试数据,本次样例需要使用两张动物图片,请从以下链接获取,将下载好的图片上传至“first_app/data”目录。

cd $HOME/first_app/data 
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg
cd $HOME/first_app/data 
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog2_1024_683.jpg
  • 准备模型数据,将ONNX模型下载至“model”目录。

cd $HOME/first_app/model wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/resnet50/resnet50.onnx
  • 模型转换,对于开源框架的模型,不能直接在昇腾AI处理器上进行推理,需要使用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)。

执行以下命令(以昇腾310P AI处理器为例),将原始模型转换为昇腾AI处理器能识别的*.om模型文件。请注意,执行命令的用户需具有命令中相关路径的可读、可写权限。

atc --model=resnet50.onnx --framework=5 --output=resnet50 --input_shape="actual_input_1:1,3,224,224" --soc_version=Ascend310P3

− --model:ResNet-50网络的模型文件的路径。

− --framework:原始框架类型。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。

− --input_shape:模型输入数据的shape。

− --soc_version:昇腾AI处理器的版本。

说明:如果无法确定当前设备的soc_version,则在安装NPU驱动包的服务器执行npu-smi info命令进行查询,在查询到的“Name”前增加“Ascend”信息,例如“Name”对应取值为“310P3”,实际配置的“soc_version”值为“Ascend310P3”。

应用开发

在“first_app”目录下创建“first_app.py”文件并依次写入以下内容。

步骤 1 引入pyACL必要的模块,定义pyACL常量。

import os import acl 
import numpy as np 
from PIL import Image ACL_MEM_MALLOC_HUGE_FIRST = 0 
ACL_MEMCPY_HOST_TO_DEVICE = 1 
ACL_MEMCPY_DEVICE_TO_HOST = 2

步骤 2 定义模型对象。

网络模型对象中应当包含以下函数。

  • 初始化函数。

  • 执行推理任务函数。

  • 析构函数。

对于后续的使用,用户只需要调用网络模型中的forward函数,传入对应的输入数据即可获得相应的输出。

class net: #   def __init__(self, model_path): # 初始化函数,需要在后续步骤中实现。 #   def forward(self, inputs): # 执行推理任务,需要在后续步骤中实现。 #   def __del__(self): # 析构函数,按照初始化资源的相反顺序释放资源,需要在后续步骤中实现。

步骤 3 实现初始化方法,具体涉及以下步骤(请在net类中实现)。

1. 调用acl.init接口进行初始化,在使用pyACL开发应用时,需要先初始化pyACL(在完成所有pyACL接口调用后,还需进行去初始化)。初始化时,也可通过JSON配置文件,向初始化接口传入配置参数(例如,传入性能相关的采集信息配置)。

2. 通过ID,调用acl.rt.set_device接口指定具体的计算设备(Device)。

3. 加载模型。

  a. 在此处样例选择调用acl.mdl.load_from_file接口加载om模型文件。

  b. 调用acl.mdl.create_desc接口创建模型描述信息。

  c. 根据加载成功的模型ID,调用acl.mdl.get_desc接口获取该模型的描述信息。

4. 创建输入数据集与输出数据集,对应方法在步骤4中实现。

def __init__(self, model_path): # 初始化函数 self.device_id = 0 # step1: 初始化 ret = acl.init() # 指定运算的Device ret = acl.rt.set_device(self.device_id) # step2: 加载模型,本示例为ResNet-50模型 # 加载离线模型文件,返回标识模型的ID self.model_id, ret = acl.mdl.load_from_file(model_path) # 创建空白模型描述信息,获取模型描述信息的指针地址 self.model_desc = acl.mdl.create_desc() # 通过模型的ID,将模型的描述信息填充到model_desc ret = acl.mdl.get_desc(self.model_desc, self.model_id) # step3:创建输入输出数据集 # 创建输入数据集 self.input_dataset, self.input_data = self.prepare_dataset('input') # 创建输出数据集 self.output_dataset, self.output_data = self.prepare_dataset('output')

步骤 4 实现数据集创建方法(请在net类中实现)。

在调用pyACL接口进行模型推理时,模型推理有输入、输出数据,输入、输出数据需要按照pyACL规定的数据类型存放。相关数据类型如下:

  • 使用aclmdlDesc类型的数据描述模型基本信息(例如输入/输出的个数、名称、数据类型、Format、维度信息等)。

模型加载成功后,用户可根据模型的ID,调用该数据类型下的操作接口获取该模型的描述信息,进而从模型的描述信息中获取模型输入/输出的个数、内存大小、维度信息、Format、数据类型等信息。

  • 使用aclDataBuffer类型的数据来描述每个输入/输出的内存地址、内存大小。

调用aclDataBuffer类型下的操作接口获取内存地址、内存大小等,便于向内存中存放输入数据、获取输出数据。

  • 使用aclmdlDataset类型的数据描述模型的输入/输出数据。

模型可能存在多个输入、多个输出,调用aclmdlDataset类型的操作接口添加多个aclDataBuffer类型的数据。

aclmdlDataset类型与aclDataBuffer类型的关系

def prepare_dataset(self, io_type): # 准备数据集 if io_type == "input": # 获得模型输入的个数 io_num = acl.mdl.get_num_inputs(self.model_desc) acl_mdl_get_size_by_index = acl.mdl.get_input_size_by_index else: # 获得模型输出的个数 io_num = acl.mdl.get_num_outputs(self.model_desc) acl_mdl_get_size_by_index = acl.mdl.get_output_size_by_index # 创建aclmdlDataset类型的数据,描述模型推理的输入。 dataset = acl.mdl.create_dataset() datas = [] for i in range(io_num): # 获取所需的buffer内存大小 buffer_size = acl_mdl_get_size_by_index(self.model_desc, i) # 申请buffer内存 buffer, ret = acl.rt.malloc(buffer_size, ACL_MEM_MALLOC_HUGE_FIRST) # 从内存创建buffer数据 data_buffer = acl.create_data_buffer(buffer, buffer_size) # 将buffer数据添加到数据集 _, ret = acl.mdl.add_dataset_buffer(dataset, data_buffer) datas.append({"buffer": buffer, "data": data_buffer, "size": buffer_size}) return dataset, datas

步骤 5 实现同步推理方法(请在net类中实现)。

 def forward(self, inputs): # 执行推理任务 # 遍历所有输入,拷贝到对应的buffer内存中 input_num = len(inputs) for i in range(input_num): bytes_data = inputs[i].tobytes() bytes_ptr = acl.util.bytes_to_ptr(bytes_data) # 将图片数据从Host传输到Device。 ret = acl.rt.memcpy(self.input_data[i]["buffer"],   # 目标地址 device self.input_data[i]["size"],     # 目标地址大小 bytes_ptr,                      # 源地址 host len(bytes_data),                # 源地址大小 ACL_MEMCPY_HOST_TO_DEVICE)      # 模式:从host到device # 执行模型推理。 ret = acl.mdl.execute(self.model_id, self.input_dataset, self.output_dataset) # 处理模型推理的输出数据,输出top5置信度的类别编号。 inference_result = [] for i, item in enumerate(self.output_data): buffer_host, ret = acl.rt.malloc_host(self.output_data[i]["size"]) # 将推理输出数据从Device传输到Host。 ret = acl.rt.memcpy(buffer_host,                    # 目标地址 host self.output_data[i]["size"],    # 目标地址大小 self.output_data[i]["buffer"],  # 源地址 device self.output_data[i]["size"],    # 源地址大小 ACL_MEMCPY_DEVICE_TO_HOST)      # 模式:从device到host # 从内存地址获取bytes对象 bytes_out = acl.util.ptr_to_bytes(buffer_host, self.output_data[i]["size"]) # 按照float32格式将数据转为numpy数组 data = np.frombuffer(bytes_out, dtype=np.float32) inference_result.append(data) vals = np.array(inference_result).flatten() # 对结果进行softmax转换 vals = np.exp(vals) vals = vals / np.sum(vals) return vals

步骤 6 实现析构方法(请在net类中实现)。

1. 销毁数据集资源(buffer数据、buffer内存、输入数据集、输出数据集)。

2. 销毁模型描述、卸载模型。

3. 释放计算资源。

4. 所有pyACL接口调用结束后(或在进程退出前),调用acl.finalize接口进行pyACL进行去初始化。

在推理过程中可能会抛出异常,请将资源释放步骤实现在析构方法中确保资源能够得到正确释放。以下内容仅供参考,实际情况下需要考虑更多情况下的资源释放问题。

def __del__(self): # 析构函数 按照初始化资源的相反顺序释放资源。 # 销毁输入输出数据集 for dataset in [self.input_data, self.output_data]: while dataset: item = dataset.pop() ret = acl.destroy_data_buffer(item["data"])    # 销毁buffer数据 ret = acl.rt.free(item["buffer"])              # 释放buffer内存 ret = acl.mdl.destroy_dataset(self.input_dataset)      # 销毁输入数据集 ret = acl.mdl.destroy_dataset(self.output_dataset)     # 销毁输出数据集 # 销毁模型描述 ret = acl.mdl.destroy_desc(self.model_desc) # 卸载模型 ret = acl.mdl.unload(self.model_id) # 释放device ret = acl.rt.reset_device(self.device_id) # acl去初始化 ret = acl.finalize()

步骤 7 实现图像预处理函数。

def transfer_pic(input_path): # 图像预处理 input_path = os.path.abspath(input_path) with Image.open(input_path) as image_file: # 缩放为224*224 img = image_file.resize((224, 224)) # 转换为float32类型ndarray img = np.array(img).astype(np.float32) # 根据imageNet图片的均值和方差对图片像素进行归一化 img -= [123.675, 116.28, 103.53] img /= [58.395, 57.12, 57.375] # RGB通道交换顺序为BGR img = img[:, :, ::-1] # resnet50为色彩通道在前 img = img.transpose((2, 0, 1)) # 返回并添加batch通道 return np.array([img])

步骤 8 调用forward函数(具体实现请参见步骤5),执行同步推理并在屏幕中打印top5类别编号及置信度。

def print_top_5(data): top_5 = data.argsort()[::-1][:5] print("======== top5 inference results: =============") for j in top_5: print("[%d]: %f" % (j, data[j])) if __name__ == "__main__": resnet50 = net('./model/resnet50.om') image_paths = ["./data/dog1_1024_683.jpg", "./data/dog2_1024_683.jpg"] for path in image_paths: # 图像预处理,此处仅供参考,用户按照自己需求进行预处理 image = transfer_pic(path) # 将数据按照每个输入的顺序构造list传入,当前示例的ResNet-50模型只有一个输入 result = resnet50.forward([image]) # 输出top_5 print_top_5(result) del resnet50

----结束

运行应用

将编写好的“first_app”文件夹及内容上传到运行环境,进入到代码目录下,检查环境变量配置是否正确,然后执行以下命令。

python3 first_app.py

可以得到如下输出,分别为两张测试图片的top5分类信息。

其中[161]: 0.809159表示的是类别标识索引“161”的置信度为“0.809159”。

======== top5 inference results: ============= 
[161]: 0.809159 
[162]: 0.103680 
[178]: 0.017600 
[166]: 0.013922 
[212]: 0.009644 
======== top5 inference results: ============= 
[267]: 0.728299 
[266]: 0.101693 
[265]: 0.100117 
[151]: 0.004214 
[160]: 0.002721

说明:类别标签和类别的对应关系与训练模型时使用的数据集有关,本样例使用的模型是基于imagenet数据集进行训练的,您可以在互联网上查阅对应数据集的标签及类别的对应关系。 当前屏显信息中的类别标识与类别的对应关系如下: "161": ["basset", "basset hound"] "162": ["beagle"] "163": ["bloodhound", "sleuthhound"] "166": ["Walker hound", "Walker foxhound"] "167": ["English foxhound"]

这样,我们就完成了一个简单的推理应用程序的开发和运行,感兴趣的小伙伴可以参考以下资料完成更系统的学习:

− 获取学习文档:请单击Link

− 获取更多样例,请单击Link

− 获取在线视频课程,请单击Link

这篇关于昇腾AscendCL推理应用开发入门教程(基于Python语言)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/261697

相关文章

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

Java中的Lambda表达式及其应用小结

《Java中的Lambda表达式及其应用小结》Java中的Lambda表达式是一项极具创新性的特性,它使得Java代码更加简洁和高效,尤其是在集合操作和并行处理方面,:本文主要介绍Java中的La... 目录前言1. 什么是Lambda表达式?2. Lambda表达式的基本语法例子1:最简单的Lambda表

一文带你搞懂Python中__init__.py到底是什么

《一文带你搞懂Python中__init__.py到底是什么》朋友们,今天我们来聊聊Python里一个低调却至关重要的文件——__init__.py,有些人可能听说过它是“包的标志”,也有人觉得它“没... 目录先搞懂 python 模块(module)Python 包(package)是啥?那么 __in

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

Python实现特殊字符判断并去掉非字母和数字的特殊字符

《Python实现特殊字符判断并去掉非字母和数字的特殊字符》在Python中,可以通过多种方法来判断字符串中是否包含非字母、数字的特殊字符,并将这些特殊字符去掉,本文为大家整理了一些常用的,希望对大家... 目录1. 使用正则表达式判断字符串中是否包含特殊字符去掉字符串中的特殊字符2. 使用 str.isa

python中各种常见文件的读写操作与类型转换详细指南

《python中各种常见文件的读写操作与类型转换详细指南》这篇文章主要为大家详细介绍了python中各种常见文件(txt,xls,csv,sql,二进制文件)的读写操作与类型转换,感兴趣的小伙伴可以跟... 目录1.文件txt读写标准用法1.1写入文件1.2读取文件2. 二进制文件读取3. 大文件读取3.1

使用Python实现一个优雅的异步定时器

《使用Python实现一个优雅的异步定时器》在Python中实现定时器功能是一个常见需求,尤其是在需要周期性执行任务的场景下,本文给大家介绍了基于asyncio和threading模块,可扩展的异步定... 目录需求背景代码1. 单例事件循环的实现2. 事件循环的运行与关闭3. 定时器核心逻辑4. 启动与停

基于Python实现读取嵌套压缩包下文件的方法

《基于Python实现读取嵌套压缩包下文件的方法》工作中遇到的问题,需要用Python实现嵌套压缩包下文件读取,本文给大家介绍了详细的解决方法,并有相关的代码示例供大家参考,需要的朋友可以参考下... 目录思路完整代码代码优化思路打开外层zip压缩包并遍历文件:使用with zipfile.ZipFil

Python处理函数调用超时的四种方法

《Python处理函数调用超时的四种方法》在实际开发过程中,我们可能会遇到一些场景,需要对函数的执行时间进行限制,例如,当一个函数执行时间过长时,可能会导致程序卡顿、资源占用过高,因此,在某些情况下,... 目录前言func-timeout1. 安装 func-timeout2. 基本用法自定义进程subp