Ascend 310 AI处理器上使用AIR模型进行推理
Linux Ascend 推理应用 初级 中级 高级
概述
Ascend 310是面向边缘场景的高能效高集成度AI处理器。Atlas 200开发者套件又称Atlas 200 Developer Kit（以下简称Atlas 200 DK），是以Atlas 200 AI加速模块为核心的开发者板形态的终端类产品，集成了海思Ascend 310 AI处理器，可以实现图像、视频等多种数据分析与推理计算，可广泛用于智能监控、机器人、无人机、视频服务器等场景。
本教程介绍如何在Atlas 200 DK上使用MindSpore执行推理，主要包括以下流程：
开发环境准备，包括制作Atlas 200 DK的SD卡 、配置Python环境和刷配套开发软件包。
导出AIR模型文件，这里以ResNet-50模型为例。
使用ATC工具将AIR模型文件转成OM模型。
编译推理代码，生成可执行
main文件。加载保存的OM模型，执行推理并查看结果。
开发环境准备
硬件准备
一个操作系统为Ubuntu ARM架构的服务器，用于为Atlas 200 DK制作SD卡启动盘和开发环境部署。
一张SD卡，建议容量不低于16G。
软件包准备
配置开发环境需要的脚本和软件包如下5类，共7个文件。
制卡入口脚本：make_sd_card.py
制作SD卡操作系统脚本：make_ubuntu_sd.sh
Ubuntu操作系统镜像包：ubuntu-18.04.xx-server-arm64.iso
开发者板驱动包与运行包：
Ascend310-driver-*{software version}*-ubuntu18.04.aarch64-minirc.tar.gzAscend310-aicpu_kernels-*{software version}*-minirc.tar.gzAscend-acllib-*{software version}*-ubuntu18.04.aarch64-minirc.run
安装开发套件包：
Ascend-Toolkit-*{version}*-arm64-linux_gcc7.3.0.run
其中，
前3项可以参考Atlas 200 DK 开发者套件使用指南获取。
其余软件包建议从固件与驱动中获取，在该页面中选择产品系列和产品型号为
Atlas 200 DK，选中需要的文件，即可下载。
制作SD卡
读卡器通过USB与Ubuntu服务器连接，通过制卡脚本制作SD卡。具体操作参见操作步骤。
连接Atlas 200 DK开发板与Ubuntu服务器
Atlas 200 DK开发者板支持通过USB端口或者网线与Ubuntu服务器进行连接。具体操作参见连接Atlas 200 DK开发者板与Ubuntu服务器。
配置Python环境
安装Python以及gcc等软件，具体操作参见安装依赖。
安装开发套件包
安装开发套件包Ascend-Toolkit-*{version}*-arm64-linux_gcc7.3.0.run，具体操作参见安装开发套件包。
推理目录结构介绍
创建目录放置推理代码工程，例如/home/HwHiAiUser/Ascend/ascend-toolkit/20.0.RC1/acllib_linux.arm64/sample/acl_execute_model/acl_resnet50_sample，其中inc、src、test_data目录代码可以从官网示例下载样例代码，model目录用于存放接下来导出的AIR模型文件和转换后的OM模型文件，out目录用于存放执行编译生成的可执行文件和输出结果目录，推理代码工程目录结构如下:
└─acl_resnet50_sample
├── inc
│ ├── model_process.h //声明资源初始化/销毁相关函数的头文件
│ ├── sample_process.h //声明模型处理相关函数的头文件
│ ├── utils.h //声明公共函数（例如：文件读取函数）的头文件
├── model
│ ├── resnet50_export.air //AIR模型文件
│ ├── resnet50_export.om //转换后的OM模型文件
├── src
│ ├── acl.json //系统初始化的配置文件
│ ├── CMakeLists.txt //编译脚本
│ ├── main.cpp //主函数，图片分类功能的实现文件
│ ├── model_process.cpp //模型处理相关函数的实现文件
│ ├── sample_process.cpp //资源初始化/销毁相关函数的实现文件
│ ├── utils.cpp //公共函数（例如：文件读取函数）的实现文件
├── test_data
│ ├── test_data_1x3x224x224_1.bin //输入样本数据1
│ ├── test_data_1x3x224x224_2.bin //输入样本数据2
├── out
│ ├── main //编译生成的可执行文件
│ ├── result //输出结果目录
输出结果目录
acl_resnet50_sample/out/result需先创建好再执行推理操作。
导出AIR模型文件
在Ascend 910的机器上训练好目标网络，并保存为CheckPoint文件，通过网络和CheckPoint文件导出对应的AIR格式模型文件，导出流程参见导出AIR格式文件。
这里提供使用ResNet-50模型导出的示例AIR文件resnet50_export.air。
将AIR模型文件转成OM模型
登录Atlas 200 DK开发者板环境，创建model目录放置AIR文件resnet50_export.air，例如/home/HwHiAiUser/Ascend/ascend-toolkit/20.0.RC1/acllib_linux.arm64/sample/acl_execute_model/acl_resnet50_sample/model，并进入该路径下，设置如下环境变量。其中，install_path需指定为实际安装路径。
export install_path=/home/HwHiAiUser/Ascend/ascend-toolkit/20.0.RC1
export PATH=/usr/local/python3.7.5/bin:${install_path}/atc/ccec_compiler/bin:${install_path}/atc/bin:$PATH
export PYTHONPATH=${install_path}/atc/python/site-packages/te:${install_path}/atc/python/site-packages/topi:$PYTHONPATH
export LD_LIBRARY_PATH=${install_path}/atc/lib64:$LD_LIBRARY_PATH
export ASCEND_OPP_PATH=${install_path}/opp
以resnet50_export.air为例，执行如下命令进行模型转换，在当前目录生成resnet50_export.om文件。
/home/HwHiAiUser/Ascend/ascend-toolkit/20.0.RC1/atc/bin/atc --framework=1 --model=./resnet50_export.air --output=./resnet50_export --input_format=NCHW --soc_version=Ascend310
其中：
--model：原始模型文件的路径。--output：转换得到的OM模型文件的路径。--input_format：输入数据格式。
ATC工具详细资料可在昇腾社区开发者文档中选择相应CANN版本后，查找《ATC工具使用指南》章节查看。
编译推理代码
进入工程目录acl_resnet50_sample，设置如下环境变量：
export DDK_PATH=/home/HwHiAiUser/Ascend/ascend-toolkit/20.0.RC1
export NPU_HOST_LIB=/home/HwHiAiUser/Ascend/ascend-toolkit/20.0.RC1/acllib_linux.arm64/lib64/stub/
CMakeLists.txt文件中acllib包的include的目录需要指定正确，否则会报acl/acl.h找不到的错误。CMakeLists.txt文件中指定include目录的代码位置如下，如果与实际安装目录不符，需要修改。
...
#Header path
include_directories(
${INC_PATH}/acllib_linux.arm64/include/
../
)
...
执行如下命令创建编译目录：
mkdir -p build/intermediates/minirc
然后切换至编译目录：
cd build/intermediates/minirc
执行cmake命令：
cmake ../../../src -DCMAKE_CXX_COMPILER=aarch64-linux-gnu-g++ -DCMAKE_SKIP_RPATH=TRUE
再执行make命令编译即可。
make
编译完成后，在acl_resnet50_sample/out下会生成可执行main文件。
执行推理并查看结果
将生成的OM模型文件resnet50_export.om拷贝到acl_resnet50_sample/out目录下（和可执行main文件同路径），并确认acl_resnet50_sample/test_data目录中已经准备好输入数据样本，就可以执行推理了。
值得注意的是，需要设置如下环境变量，否则会导致推理不成功。
export LD_LIBRARY_PATH=/home/HwHiAiUser/Ascend/acllib/lib64/
进入到acl_resnet50_sample/out目录下，如果当前目录下result目录不存在，需要执行mkdir result命令创建该目录，然后执行如下命令进行推理。
./main ./resnet50_export.om ../test_data
执行成功后，可以看到推理结果如下，打印了top5的概率标签，并且输出结果会以.bin文件的格式保存在acl_resnet50_sample/out/result目录中。
[INFO] acl init success
[INFO] open device 0 success
[INFO] create context success
[INFO] create stream success
[INFO] get run mode success
[INFO] load model ./resnet50_export.om success
[INFO] create model description success
[INFO] create model output success
[INFO] start to process file:../test_data/test_data_1x3x224x224_1.bin
[INFO] model execute success
[INFO] top 1: index[2] value[0.941406]
[INFO] top 2: index[3] value[0.291992]
[INFO] top 3: index[1] value[0.067139]
[INFO] top 4: index[0] value[0.013519]
[INFO] top 5: index[4] value[-0.226685]
[INFO] output data success
[INFO] dump data success
[INFO] start to process file:../test_data/test_data_1x3x224x224_2.bin
[INFO] model execute success
[INFO] top 1: index[2] value[0.946289]
[INFO] top 2: index[3] value[0.296143]
[INFO] top 3: index[1] value[0.072083]
[INFO] top 4: index[0] value[0.014549]
[INFO] top 5: index[4] value[-0.225098]
[INFO] output data success
[INFO] dump data success
[INFO] unload model success, modelId is 1
[INFO] execute sample success
[INFO] end to destroy stream
[INFO] end to destroy context
[INFO] end to reset device is 0
[INFO] end to finalize acl