如何基于香橙派AIpro将开源框架模型转换为昇腾模型

在前面的介绍中，我们知道了如何基于香橙派AIpro开发AI推理应用，也大致了解到在推理之前，需要把原始网络模型 (可能是 PyTorch 的、TensorFlow，可能是Caffe的等等) 转换成 .om 模型，然后才能调用昇腾的aclmdlExecute 等模型执行接口在香橙派AIpro进行模型推理。这个模型转换的过程就要用到 ATC 工具。

目前 ATC 工具直接支持从 Caffe、ONNX、TensorFlow 以及 MindSpore模型的转换，所以如果你的训练框架是 PyTorch，则需要做 torch.onnx.export 操作导出成ONNX模型后才能使用ATC工具。

01 ATC工具简介

昇腾张量编译器（Ascend Tensor Compiler，简称ATC）是昇腾模型转换工具，它可以将开源框架的网络模型（例如TensorFlow、ONNX等）转换为昇腾AI处理器支持的模型文件（.om格式），用于后续的模型推理。

模型转换过程中，ATC会进行算子调度优化、权重数据重排、内存使用优化等操作，对开源框架的网络模型做进一步调优，使其高效地在昇腾AI处理器上执行。

主要过程：

开源框架网络模型经过Parser解析后，转换为昇腾的中间图IR Graph。
中间图IR Graph经过图准备，图拆分，图优化，图编译等一系列操作后，转成适配昇腾AI处理器的*.om模型文件。
用户可调用AscendCL提供的模型加载、执行等接口实现模型推理。

02 ATC工具基本使用方法

下面以Caffe框架ResNet-50网络模型为例，介绍如何使用ATC工具转换模型。

1. 将Caffe框架ResNet-50网络模型的模型文件*.prototxt、权重文件*.caffemodel上传至ATC工具所在的Linux服务器。

2. 执行如下命令进行模型转换。

atc --framework=0 --soc_version=${soc_version}

--model=$HOME/mod/resnet50.prototxt

--weight=$HOME/mod/resnet50.caffemodel

--output=$HOME/module/out/caffe_resnet50

参数解释如下：

--framework：原始网络模型框架类型，0表示Caffe框架。
--soc_version：指定模型转换时昇腾AI处理器的版本，可执行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xxxyy。
--model：原始网络模型文件路径，含文件名。
--weight：原始网络模型权重文件路径，含文件名，仅当原始网络模型是Caffe时需要指定。
--output：转换后的*.om模型文件路径，含文件名，转换成功后，模型文件名自动以.om后缀结尾。

3. 若提示ATC run success信息，则说明模型转换成功。

在--output参数指定的路径下，可查看转换后的模型文件，例如caffe_resnet50.om。

03 ATC工具高阶用法介绍

上述只给出了ATC工具进行模型转换最基本的命令，下面介绍ATC工具支持的更多特性，方便用户进一步了解。

1. 将原始模型文件或昇腾*.om模型文件转换成json格式

如果用户不方便查看原始模型或离线模型的参数信息时，可以将原始模型或离线模型转成json文件进行查看：

原始模型文件—>json文件

atc --mode=1 --framework=0 --om=$HOME/mod/resnet50.prototxt

--json=$HOME/mod/out/caffe_resnet50.json

昇腾*.om模型文件—>json文件

atc --mode=1 --om=$HOME/mod/out/caffe_resnet50.om

--json=$HOME/mod/out/caffe_resnet50.json

2. 自定义*.om模型的输入输出数据类型

模型转换时支持指定网络模型的输入或输出节点的数据类型、Format，支持设置精度等。此处的示例命令场景是针对Caffe框架ResNet50网络模型，转换后的模型输入为FP16类型，指定Pooling算子作为输出，并且该输出节点为FP16类型。

atc --framework=0 --soc_version=${soc_version}

--model=$HOME/mod/resnet50.prototxt

--weight=$HOME/mod/resnet50.caffemodel

--output=$HOME/mod/out/caffe_resnet50 --input_fp16_nodes="data"

--out_nodes="pool1:0" --output_type="pool1:0:FP16"

3. 设置动态BatchSize/动态分辨率

某些推理场景，如检测出目标后再执行目标识别网络，由于目标个数不固定导致目标识别网络输入BatchSize不固定；如果每次推理都按照最大的BatchSize或最大分辨率进行计算，会造成计算资源浪费，因此，模型转换需要支持动态BatchSize和动态分辨率的设置，实际推理时，通过AscendCL接口设置本次推理所需的BatchSize和动态分辨率。

动态BatchSize

atc --framework=0 --soc_version=${soc_version}

--model=$HOME/mod/resnet50.prototxt

--weight=$HOME/mod/resnet50.caffemodel

--output=$HOME/mod/out/caffe_resnet50

--input_shape="data:-1,3,224,224" --dynamic_batch_size="1,2,4,8"

其中，“--input_shape ”中的“-1”表示设置动态BatchSize，具体支持哪些BatchSize由“--dynamic_batch_size”决定。

动态分辨率

atc --framework=0 --soc_version=${soc_version}

--model=$HOME/mod/resnet50.prototxt

--weight=$HOME/mod/resnet50.caffemodel

--output=$HOME/mod/out/caffe_resnet50

--input_shape="data:1,3,-1,-1" --dynamic_image_size="224,224;448,448"

其中，“--input_shape ”中的“-1,-1”表示设置动态分辨率，具体支持哪些分辨率由“--dynamic_image_size ”决定。