用户界面

本章介绍用户的使用界面, 包括转换模型的基本过程, 和各类工具的使用方法。

模型转换过程

基本操作过程是用 model_transform.py 将模型转成mlir文件, 然后用 model_deploy.py 将mlir转成对应的model。如下:

# To MLIR
$ model_transform.py \
    --model_name resnet \
    --model_def  resnet.onnx \
    --test_input resnet_in.npz \
    --test_result resnet_top_outputs.npz \
    --mlir resnet.mlir

# To Float Model
$ model_deploy.py \
   --mlir resnet.mlir \
   --quantize F32 \ # F16/BF16
   --chip bm1684x \
   --test_input resnet_in_f32.npz \
   --test_reference resnet_top_outputs.npz \
   --model resnet50_f32.bmodel

支持图片输入

当用图片做为输入的时候, 需要指定预处理信息, 如下:

$ model_transform.py \
    --model_name resnet \
    --model_def resnet.onnx \
    --input_shapes [[1,3,224,224]] \
    --mean 103.939,116.779,123.68 \
    --scale 1.0,1.0,1.0 \
    --pixel_format bgr \
    --test_input cat.jpg \
    --test_result resnet_top_outputs.npz \
    --mlir resnet.mlir

支持多输入

当模型有多输入的时候, 可以传入1个npz文件, 或者按顺序传入多个npz文件, 用逗号隔开。如下:

$ model_transform.py \
    --model_name somenet \
    --model_def  somenet.onnx \
    --test_input somenet_in.npz \ # a.npy,b.npy,c.npy
    --test_result somenet_top_outputs.npz \
    --mlir somenet.mlir

支持INT8对称和非对称

如果需要转INT8模型, 则需要进行calibration。如下:

$ run_calibration.py somenet.mlir \
    --dataset dataset \
    --input_num 100 \
    -o somenet_cali_table

传入校准表生成模型, 如下:

$ model_deploy.py \
   --mlir resnet.mlir \
   --quantize INT8 \
   # --asymmetric \
   --calibration_table somenet_cali_table \
   --chip bm1684x \
   --test_input somenet_in_f32.npz \
   --test_reference somenet_top_outputs.npz \
   --tolerance 0.9,0.7 \
   --model somenet_int8.bmodel

支持混精度

当INT8模型精度不满足业务要求时, 可以尝试使用混精度, 先生成量化表, 如下:

$ run_qtable.py somenet.mlir \
    --dataset dataset \
    --calibration_table somenet_cali_table \
    --chip bm1684x \
    -o somenet_qtable

然后将量化表传入生成模型, 如下:

$ model_deploy.py \
   --mlir resnet.mlir \
   --quantize INT8 \
   --calibration_table somenet_cali_table \
   --quantize_table somenet_qtable \
   --chip bm1684x \
   --model somenet_mix.bmodel

支持量化模型TFLite

支持TFLite模型的转换, 命令参考如下:

 # TFLite转模型举例
 $ model_transform.py \
     --model_name resnet50_tf \
     --model_def  ../resnet50_int8.tflite \
     --input_shapes [[1,3,224,224]] \
     --mean 103.939,116.779,123.68 \
     --scale 1.0,1.0,1.0 \
     --pixel_format bgr \
     --test_input ../image/dog.jpg \
     --test_result resnet50_tf_top_outputs.npz \
     --mlir resnet50_tf.mlir

$ model_deploy.py \
    --mlir resnet50_tf.mlir \
    --quantize INT8 \
    --asymmetric \
    --chip bm1684x \
    --test_input resnet50_tf_in_f32.npz \
    --test_reference resnet50_tf_top_outputs.npz \
    --tolerance 0.95,0.85 \
    --model resnet50_tf_1684x.bmodel

支持Caffe模型

# Caffe转模型举例
$ model_transform.py \
    --model_name resnet18_cf \
    --model_def  ../resnet18.prototxt \
    --model_data ../resnet18.caffemodel \
    --input_shapes [[1,3,224,224]] \
    --mean 104,117,123 \
    --scale 1.0,1.0,1.0 \
    --pixel_format bgr \
    --test_input ../image/dog.jpg \
    --test_result resnet50_cf_top_outputs.npz \
    --mlir resnet50_cf.mlir

工具参数介绍

model_transform.py

用于将各种神经网络模型转换成MLIR文件, 支持的参数如下:

model_transform 参数功能

参数名

必选?

说明

model_name

指定模型名称

model_def

指定模型定义文件, 比如`.onnx`或`.tflite`或`.prototxt`文件

model_data

指定模型权重文件, caffe模型需要, 对应`.caffemodel`文件

input_shapes

指定输入的shape, 例如[[1,3,640,640]]; 二维数组, 可以支持多输入情况

resize_dims

原始图片需要resize之后的尺寸; 如果不指定, 则resize成模型的输入尺寸

keep_aspect_ratio

在Resize时是否保持长宽比, 默认为false; 设置时会对不足部分补0

mean

图像每个通道的均值, 默认为0.0,0.0,0.0

scale

图片每个通道的比值, 默认为1.0,1.0,1.0

pixel_format

图片类型, 可以是rgb、bgr、gray、rgbd四种情况

output_names

指定输出的名称, 如果不指定, 则用模型的输出; 指定后用该指定名称做输出

test_input

指定输入文件用于验证, 可以是图片或npy或npz; 可以不指定, 则不会正确性验证

test_result

指定验证后的输出文件

excepts

指定需要排除验证的网络层的名称, 多个用,隔开

mlir

指定输出的mlir文件名称和路径

post_handle_type

将后处理融合到模型中,指定后处理类型, 比如yolo、ssd

转成mlir文件后, 会生成一个 ${model_name}_in_f32.npz 文件, 该文件是后续模型的输入文件。

run_calibration.py

用少量的样本做calibration, 得到网络的校准表, 即每一层op的threshold/min/max。

支持的参数如下:

run_calibration 参数功能

参数名

必选?

说明

指定mlir文件

dataset

指定输入样本的目录, 该路径放对应的图片, 或npz, 或npy

data_list

指定样本列表, 与dataset必须二选一

input_num

指定校准数量, 如果为0, 则使用全部样本

tune_num

指定微调样本数量, 默认为10

histogram_bin_num

直方图bin数量, 默认2048

o

输出calibration table文件

校准表的样板如下:

# genetated time: 2022-08-11 10:00:59.743675
# histogram number: 2048
# sample number: 100
# tune number: 5
###
# op_name    threshold    min    max
images 1.0000080 0.0000000 1.0000080
122_Conv 56.4281803 -102.5830231 97.6811752
124_Mul 38.1586478 -0.2784646 97.6811752
125_Conv 56.1447888 -143.7053833 122.0844193
127_Mul 116.7435987 -0.2784646 122.0844193
128_Conv 16.4931355 -87.9204330 7.2770605
130_Mul 7.2720342 -0.2784646 7.2720342
......

它分为4列: 第一列是Tensor的名字; 第二列是阈值(用于对称量化); 第三列第四列是min/max, 用于非对称量化。

run_qtable.py

使用 run_qtable.py 生成混精度量化表, 相关参数说明如下:

run_qtable.py 参数功能

参数名

必选?

说明

指定mlir文件

dataset

指定输入样本的目录, 该路径放对应的图片, 或npz, 或npy

data_list

指定样本列表, 与dataset必须二选一

calibration_table

输入校准表

chip

指定模型将要用到的平台, 支持bm1684x/bm1684/cv183x/cv182x/cv181x/cv180x

input_num

指定输入样本数量, 默认用10个

loss_table

输出Loss表, 默认为full_loss_table.txt

o

输出混精度量化表

混精度量化表的样板如下:

# genetated time: 2022-11-09 21:35:47.981562
# sample number: 3
# all int8 loss: -39.03119206428528
# chip: bm1684x  mix_mode: F32
###
# op_name   quantize_mode
conv2_1/linear/bn F32
conv2_2/dwise/bn  F32
conv6_1/linear/bn F32

它分为2列: 第一列对应layer的名称, 第二列对应量化模式。

同时会生成loss表, 默认为 full_loss_table.txt, 样板如下:

# genetated time: 2022-11-09 22:30:31.912270
# sample number: 3
# all int8 loss: -39.03119206428528
# chip: bm1684x  mix_mode: F32
###
No.0 : Layer: conv2_1/linear/bn Loss: -36.14866065979004
No.1 : Layer: conv2_2/dwise/bn  Loss: -37.15774385134379
No.2 : Layer: conv6_1/linear/bn Loss: -38.44639046986898
No.3 : Layer: conv6_2/expand/bn Loss: -39.7430411974589
No.4 : Layer: conv1/bn          Loss: -40.067259073257446
No.5 : Layer: conv4_4/dwise/bn  Loss: -40.183939139048256
No.6 : Layer: conv3_1/expand/bn Loss: -40.1949667930603
No.7 : Layer: conv6_3/expand/bn Loss: -40.61786969502767
No.8 : Layer: conv3_1/linear/bn Loss: -40.9286363919576
No.9 : Layer: conv6_3/linear/bn Loss: -40.97952524820963
No.10: Layer: block_6_1         Loss: -40.987406969070435
No.11: Layer: conv4_3/dwise/bn  Loss: -41.18325670560201
No.12: Layer: conv6_3/dwise/bn  Loss: -41.193763415018715
No.13: Layer: conv4_2/dwise/bn  Loss: -41.2243926525116
......

它代表对应的Layer改成浮点计算后, 得到的输出的Loss。

model_deploy.py

将mlir文件转换成相应的model, 参数说明如下:

model_deploy 参数功能

参数名

必选?

说明

mlir

指定mlir文件

chip

指定模型将要用到的平台, 支持bm1684x/bm1684/cv183x/cv182x/cv181x/cv180x

quantize

指定默认量化类型, 支持F32/F16/BF16/INT8

quantize_table

指定混精度量化表路径, 如果没有指定则按quantize类型量化; 否则优先按量化表量化

calibration_table

指定校准表路径, 当存在INT8量化的时候需要校准表

tolerance

表示 MLIR 量化后的结果与 MLIR fp32推理结果相似度的误差容忍度

test_input

指定输入文件用于验证, 可以是图片或npy或npz; 可以不指定, 则不会正确性验证

test_reference

用于验证模型正确性的参考数据(使用npz格式)。其为各算子的计算结果

excepts

指定需要排除验证的网络层的名称, 多个用,隔开

model

指定输出的model文件名称和路径

model_runner.py

对模型进行推理, 支持bmodel/mlir/onnx/tflite。

执行参考如下:

$ model_runner.py \
   --input sample_in_f32.npz \
   --model sample.bmodel \
   --output sample_output.npz

支持的参数如下:

model_runner 参数功能

参数名

必选?

说明

input

指定模型输入, npz文件

model

指定模型文件, 支持bmodel/mlir/onnx/tflite

dump_all_tensors

开启后对导出所有的结果, 包括中间tensor的结果

npz_tool.py

npz在TPU-MLIR工程中会大量用到, 包括输入输出的结果等等。npz_tool.py用于处理npz文件。

执行参考如下:

# 查看sample_out.npz中output的数据
$ npz_tool.py dump sample_out.npz output

支持的功能如下:

npz_tool 功能

功能

描述

dump

得到npz的所有tensor信息

compare

比较2个npz文件的差异

to_dat

将npz导出为dat文件, 连续的二进制存储

visual.py

量化网络如果遇到精度对比不过或者比较差,可以使用此工具逐层可视化对比浮点网络和量化后网络的不同,方便进行定位和手动调整。

执行命令可参考如下:

# 以使用9999端口为例
$ visual.py --fp32_mlir f32.mlir --quant_mlir quant.mlir --input top_input_f32.npz --port 9999

支持的功能如下:

visual 功能

功能

描述

f32_mlir

fp32网络mlir文件

quant_mlir

量化后网络mlir文件

input

测试输入数据,可以是图像文件或者npz文件

port

使用的TCP端口,默认10000,需要在启动docker时映射至系统端口

manual_run

启动后是否自动进行网络推理比较,默认False,会自动推理比较