集成Ascend使用说明

• 端侧推理集成Ascend后端版本将于后续弃用，Ascend后端相关使用请参考云侧推理版本文档。

• 云侧推理版本编译

• 云侧模型转换工具

• 云侧基准测试工具

本文档介绍如何在Ascend环境的Linux系统上，使用MindSpore Lite 进行推理，以及动态shape功能的使用。目前，MindSpore Lite支持Atlas 200/300/500推理产品和Atlas推理系列产品（配置Ascend310P AI 处理器）芯片。

环境准备

确认系统环境信息

• 确认安装64位操作系统，glibc>=2.17，其中Ubuntu 18.04/CentOS 7.6/EulerOS 2.8是经过验证的。

• 确认安装GCC 7.3.0版本。

• 确认安装CMake 3.18.3及以上版本。

  • 安装完成后将CMake所在路径添加到系统环境变量。

• 确认安装Python 3.7.5或3.9.0版本。如果未安装或者已安装其他版本的Python，可以选择下载并安装：

  • Python 3.7.5版本 64位，下载地址：官网或华为云。

  • Python 3.9.0版本 64位，下载地址：官网或华为云。

• 如果您的环境为ARM架构，请确认当前使用的Python配套的pip版本>=19.3。

• 确认安装昇腾AI处理器配套软件包。

  • 昇腾软件包提供商用版和社区版两种下载途径：

    1. 商用版下载需要申请权限，下载链接与安装方式请参考Ascend Data Center Solution 22.0.RC3安装指引文档。

    2. 社区版下载不受限制，下载链接请前往CANN社区版，选择5.1.RC2.alpha007版本，以及在固件与驱动链接中获取对应的固件和驱动安装包，安装包的选择与安装方式请参照上述的商用版安装指引文档。

  • 安装包默认安装路径为/usr/local/Ascend。安装后确认当前用户有权限访问昇腾AI处理器配套软件包的安装路径，若无权限，需要root用户将当前用户添加到/usr/local/Ascend所在的用户组。

  • 安装昇腾AI处理器配套软件所包含的whl包。如果之前已经安装过昇腾AI处理器配套软件包，需要先使用如下命令卸载对应的whl包。

    pip uninstall te topi -y
    

    默认安装路径使用以下指令安装。如果安装路径不是默认路径，需要将命令中的路径替换为安装路径。

    pip install /usr/local/Ascend/ascend-toolkit/latest/lib64/topi-{version}-py3-none-any.whl
    pip install /usr/local/Ascend/ascend-toolkit/latest/lib64/te-{version}-py3-none-any.whl
    

配置环境变量

安装好Ascend软件包之后，需要导出Runtime相关环境变量，下述命令中LOCAL_ASCEND=/usr/local/Ascend的/usr/local/Ascend表示配套软件包的安装路径，需注意将其改为配套软件包的实际安装路径。

# control log level. 0-EBUG, 1-INFO, 2-WARNING, 3-ERROR, 4-CRITICAL, default level is WARNING.
export GLOG_v=2

# Conda environmental options
LOCAL_ASCEND=/usr/local/Ascend # the root directory of run package

# lib libraries that the run package depends on
export LD_LIBRARY_PATH=${LOCAL_ASCEND}/ascend-toolkit/latest/lib64:${LOCAL_ASCEND}/driver/lib64:${LOCAL_ASCEND}/ascend-toolkit/latest/opp/op_impl/built-in/ai_core/tbe/op_tiling:${LD_LIBRARY_PATH}

# Environment variables that must be configured
export TBE_IMPL_PATH=${LOCAL_ASCEND}/ascend-toolkit/latest/opp/op_impl/built-in/ai_core/tbe            # TBE operator implementation tool path
export ASCEND_OPP_PATH=${LOCAL_ASCEND}/ascend-toolkit/latest/opp                                       # OPP path
export PATH=${LOCAL_ASCEND}/ascend-toolkit/latest/compiler/ccec_compiler/bin/:${PATH}                  # TBE operator compilation tool path
export PYTHONPATH=${TBE_IMPL_PATH}:${PYTHONPATH}                                                       # Python library that TBE implementation depends on

执行converter工具

MindSpore Lite提供离线转换模型功能的工具，将多种类型的模型（Caffe、ONNX、TensorFlow、MindIR）转换为可在Ascend硬件上推理的模型。 首先，通过转换工具转换成的ms模型；然后，使用转换工具配套的Runtime推理框架执行推理，具体流程如下：

1. 下载Ascend专用converter工具，当前仅支持Linux

2. 解压下载的包

   tar -zxvf mindspore-lite-{version}-linux-x64.tar.gz
   

   {version}是发布包的版本号。

3. 将转换工具需要的动态链接库加入环境变量LD_LIBRARY_PATH

   export LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:${PACKAGE_ROOT_PATH}/tools/converter/lib
   

   ${PACKAGE_ROOT_PATH}是解压得到的文件夹路径。

4. 进入转换目录

   cd ${PACKAGE_ROOT_PATH}/tools/converter/converter
   

5. 配置configFile(可选)

   用户可以通过此选项配置用于转模型时的Ascend Option选项，配置文件采用INI的风格，针对Ascend场景，可配置的参数为[acl_option_cfg_param]，参数的详细介绍如下表1所示，针对Ascend初始化可以通过acl_init_options参数进行配置，针对Ascend构图可以通过acl_build_options参数进行配置。

6. 执行converter，生成Ascendms模型

   ./converter_lite --fmk=ONNX --modelFile=${model_name}.onnx --outputFile=${model_name}
   

   ${model_name}为模型文件名称，运行后的结果显示为：

   CONVERT RESULT SUCCESS:0
   

   用户若想了解converter_lite转换工具的相关参数，可参考参数说明。

   说明：当原始模型输入shape不确定时，converter工具转换模型时要指定inputShape，同时configFile配置acl_option_cfg_param中input_shape_vector参数，取值相同，命令如下：

   ./converter_lite --fmk=ONNX --modelFile=${model_name}.onnx --outputFile=${model_name} --inputShape="input:1,64,64,1" --configFile="./config.txt"
   

   其中，config.txt内容如下:

   [acl_option_cfg_param]
   input_shape_vector="[1,64,64,1]"
   

表1：配置[acl_option_cfg_param]参数

参数	属性	功能描述	参数类型	取值说明
input_format	可选	指定模型输入format。	String	可选有"NCHW"，"NHWC"
input_shape_vector	可选	指定模型输入Shape， 按模型输入次序排列，用；隔开。	String	例如: "[1,2,3,4];[4,3,2,1]"
precision_mode	可选	配置模型精度模式。	String	可选有"force_fp16"，"allow_fp32_to_fp16"，"must_keep_origin_dtype"或者"allow_mix_precision"，默认为"force_fp16"
op_select_impl_mode	可选	配置算子选择模式。	String	可选有"high_performance"和"high_precision"，默认为"high_performance"
dynamic_batch_size	可选	指定动态BatchSize参数。	String	"2,4"
dynamic_image_size	可选	指定动态分辨率参数。	String	"96,96;32,32"
fusion_switch_config_file_path	可选	配置融合规则开关配置文件路径及文件名。	String	-
insert_op_config_file_path	可选	模型插入AIPP算子	String	AIPP配置文件路径

推理工具runtime

converter得到转换模型后，使用配套的Runtime推理框架执行推理， 有关使用Runtime执行推理详情见使用Runtime执行推理（C++）。

执行benchmark

MindSpore Lite提供benchmark基准测试工具，它可以对MindSpore Lite模型前向推理的执行耗时进行定量分析（性能），还可以通过指定模型输出进行可对比的误差分析（精度）。 关于推理工具的一般说明，可参考benchmark。

• 测性能

  ./benchmark --device=Ascend310 --modelFile=./models/test_benchmark.ms --timeProfiling=true
  

• 测精度

  ./benchmark --device=Ascend310 --modelFile=./models/test_benchmark.ms --inDataFile=./input/test_benchmark.bin --inputShapes=1,32,32,1 --accuracyThreshold=3 --benchmarkDataFile=./output/test_benchmark.out
  

  有关环境变量设置，将libmindspore-lite.so（目录为mindspore-lite-{version}-{os}-{arch}/runtime/lib）的so库所在的目录加入${LD_LIBRARY_PATH}。

高级特性

动态shape特性

在某些推理场景，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，推理需要支持动态BatchSize和动态分辨率的场景，Lite在Atlas 200/300/500推理产品上推理支持动态BatchSize和动态分辨率场景，在convert阶段通过configFile配置[acl_option_cfg_param]动态参数，转成ms模型，推理时使用model的resize功能，改变输入shape。

动态Batch size

• 参数名

  dynamic_batch_size

• 功能

  设置动态batch档位参数，适用于执行推理时，每次处理图片数量不固定的场景，该参数需要与input_shape_vector配合使用，不能与dynamic_image_size同时使用。

• 取值

  最多支持100档配置，每一档通过英文逗号分隔，每个档位数值限制为：[1~2048]。例如配置文件中参数配置如下：

  [acl_option_cfg_param]
  input_shape_vector="[-1,32,32,4]"
  dynamic_batch_size="2,4"
  

  其中，input_shape中的"-1"表示设置动态batch，档位可取值为"2,4"，即支持档位0: [2,32,32,4]，档位1: [4,32,32,4]。

• converter

  ./converter_lite --fmk=ONNX --modelFile=${model_name}.onnx --inputShape="input:4,32,32,4" --configFile=./config.txt --outputFile=${model_name}
  

  说明：使能动态BatchSize时，需要指定inputShape，值为最大档位对应的shape，即上节中档位1的值；同时通过configFile配置[acl_option_cfg_param]动态batch size，即上节示例中配置内容。

• 推理

  使能动态BatchSize，进行模型推理时，输入shape只能选择converter时设置的档位值，想切换到其他档位对应的输入shape，使用model resize功能。

• 注意事项

  1）若用户执行推理业务时，每次处理的图片数量不固定，则可以通过配置该参数来动态分配每次处理的图片数量。例如用户执行推理业务时需要每次处理2张，4张，8张图片，则可以配置为2，4，8，申请了档位后，模型推理时会根据实际档位申请内存。
  2）如果用户设置的档位数值过大或档位过多，可能会导致模型编译失败，此时建议用户减少档位或调低档位数值。
  3）如果用户设置的档位数值过大或档位过多，在运行环境执行推理时，建议执行swapoff -a命令关闭swap交换区间作为内存的功能，防止出现由于内存不足，将swap交换空间作为内存继续调用，导致运行环境异常缓慢的情况。
  

动态分辨率

• 参数名

  dynamic_image_size

• 功能

  设置输入图片的动态分辨率参数。适用于执行推理时，每次处理图片宽和高不固定的场景，该参数需要与input_shape_vector配合使用，不能与dynamic_batch_size同时使用。

• 取值

  最多支持100档配置，每一档通过英文分号分隔。例如： "imagesize1_height,imagesize1_width;imagesize2_height,imagesize2_width"，指定的参数必须放在双引号中，每一组参数中间使用英文分号分隔。例如配置文件中参数配置如下：

  [acl_option_cfg_param]
  input_format="NCHW"
  input_shape_vector="[2,3,-1,-1]"
  dynamic_image_size="64,64;96,96"
  

  其中，input_shape中的"-1"表示设置动态分辨率，即支持档位0: [2,3,64,64]，档位1: [2,3,96,96]。

• converter

  ./converter_lite --fmk=ONNX --modelFile=${model_name}.onnx --inputShape="input:2,3,96,96" --configFile=./config.txt --outputFile=${model_name}
  

  说明：使能动态BatchSize时，需要指定inputShape，值为最大档位对应的shape，即上节中档位1的值；同时通过configFile配置[acl_option_cfg_param]动态分辨率，即上节示例中配置内容。

• 推理

  使能动态分辨率， 进行模型推理时，输入shape只能选择converter时设置的档位值，想切换到其他档位对应的输入shape，使用model的resize功能。

• 注意事项

  1）如果用户设置的分辨率数值过大或档位过多，可能会导致模型编译失败，此时建议用户减少档位或调低档位数值。
  2）如果用户设置了动态分辨率，实际推理时，使用的数据集图片大小需要与具体使用的分辨率相匹配。
  3）如果用户设置的分辨率数值过大或档位过多，在运行环境执行推理时，建议执行swapoff -a命令关闭swap交换区间作为内存的功能，防止出现由于内存不足，将swap交换空间作为内存继续调用，导致运行环境异常缓慢的情况。
  

算子支持

算子支持见Lite 算子支持。