spider-mxh
/
mdz
1
0
Fork 1
Code Issues Pull Requests Packages Projects Releases Wiki Activity
mdz/pytorch/TextCNN/readme.md

16 KiB
Raw Permalink Blame History

TextCNN

version author
metrics speed
模型清单
OS

下载

✨ 一键下载开发流程中所需的各种文件，包括编译使用的量化校准集、运行时工程的依赖库，以及输入输出文件。

💡 推荐使用linux版下载脚本，其wget包含断网自动重连功能，不会出现下载文件遗漏情况。

windows

📌 第一次使用，请在C盘根目录下新建icraft_auth.txt，保存下载站账号密码，以换行符分隔

需要事先下载windows版本wget：

（若点击以下链接后未直接下载，请选择 1.20.3 版本下的对应系统链接进行下载）

x86系统wget下载 x64系统wget下载

使用时需要将wget.exe的路径作为命令行参数传入，注意不是exe的父文件夹目录，而是包含wget.exe的完整绝对路径：

不下载Deps：./download.ps1 "PATH_TO_WGET_EXE"

如果您是第一次使用我们的模型库，请下载包括工程依赖库的所有文件：./download.ps1 "PATH_TO_WGET_EXE" -d

💡 下载过程中可能因网络问题出现中断情况，需 自行重新运行 下载脚本。

linux

📌 第一次使用，请在/usr根目录下新建icraft_auth.txt，保存下载站账号密码，以换行符分隔

为确保文件格式正确，请在运行脚本前安装格式转换工具dos2unix，并执行格式转换命令：

sudo apt-get install dos2unix
dos2unix /usr/icraft_auth.txt
dos2unix ./download.sh

如果您是第一次使用我们的模型库，请下载包括工程依赖库的所有文件：./download.sh -d

如果之前已经在使用别的模型时下载过Deps依赖库，可以直接将其中的thirdparty部分复制到路径3_deploy/Deps，只需下载量化校准集和输入输出文件即可：./download.sh

🌟 Tips：

  • 若想要直接获取原始weights和导出保存的模型，可分别前往 weights 和 fmodels 网页上根据框架及模型名寻找并下载。

0. 文件结构说明

AI部署模型需要以下几部分文件

  • 0_Chinese-Text-Classification-Pytorch >存放原始权重，需要自行下载
  • 1_scripts >若干脚本，用于保存Icraft编译器需要的模型、编译后仿真等功能
  • 2_compile >Icraft编译器编译模型时所需要的文件
  • 3_deploy >将Icraft编译器编译出的模型部署到硬件时需要的python工程

1. python工程准备

1. 模型来源：

2. 保存模型

目的：将模型保存成可以被Icraft编译器编译的形态

1）根据模型来源中的地址：https://download.fdwxhb.com/data/04_FMSH-100AI/100AI/04_modelzoo/modelzoo_pub/weights/pytorch/TextCNN/TextCNN.ckpt，下载原始weights，存放于 /weights文件夹中

注意：
  • 有时开源的weights url可能会变更。如果上述weights url失效，请根据原工程相应的branch以及commit版本寻找正确的下载链接
  • 若上述weights url永久失效，请联系本模型库相关人员获取权限下载
**1_scripts提供脚本说明：**

  • 环境要求：Icraft编译器对导出框架模型时使用的框架版本有要求。即以下脚本中所有导出模型的脚本1_save.py ，必须在要求的框架版本下执行，其他脚本不限制。要求的版本：

    • pytorch：支持pytorch1.9.0、pytorch2.0.1两个版本的原生网络模型文件（.pt格式），以及pytorch框架保存为onnx（opset=17）格式的模型文件（.onnx格式）
    • paddle：仅支持PaddlePaddle框架保存为onnx（opset=11）格式的模型文件（.onnx格式），不支持框架原生网络模型文件
    • darknet：支持Darknet框架原生网络模型GitHub - pjreddie/darknet: Convolutional Neural Networks

  • 0_infer.py >可以推理一句话并得到最终结果，模型原始权重会从 /weights 中寻找，需要您预先下载

    源码的修改点：
    1. 0_Chinese-Text-Classification-Pytorch /models/TextCNN.py,将31行的self.batch_size改为 1

  • 1_save.py >保存模型，保存好的用于Icraft编译器的模型，会存放在 /2_compile/fmodel

    保存模型时的修改点：
    1. Model前向进行替换,去除embedding

  • 2_save_infer.py >用修改后保存的模型做前向推理，验证保存的模型与原模型是否一致

2.使用Icraft编译器编译模型

目的： 使用Icraft编译器将上一步保存好的框架模型转化为硬件可部署模型

  • 1）相关命名说明：

    1）fmodel：frame model >用于Icraft编译器的框架模型

    2）imodel：icraft model >用Icraft编译器编译出的模型

    3）qtset：Quantitative Calibration Set >Icraft编译器所需的量化校准集

  • 2）确认已安装正确的icraft版本

    检查方法：打开cmd运行：icraft --version

    若已正常安装则会显示当前icraft版本，例如：

    Icraft 版本:
 * 3.7.1

CLI 版本:
3.7.0.0-a90988f(2412231401)

  • 3）执行编译：

    在 /2_compile目录下执行编译：

     icraft compile config/TextCNN_8.toml

    如果过程顺利，将得到 icraft model（以 `.json` （graph）`.raw`（param）的格式保存）

其中包括编译各阶段产生的中间结果模型和最终用于片上部署的BY模型，直接被保存到:  3_deploy/modelzoo/TextCNN/imodel

3. 部署模型

部署环境检查

  • 以root账户登录片上系统terminal（ssh或串口皆可），模型库默认的模型存放路径为以下目录，如果没有请预先创建：
/home/fmsh/ModelZoo/
  • 检查板上环境是否正确：

    1. 查看环境变量，指令： icraft --version

      看打印信息是否如下：

      Icraft 版本:
* v3.7.1

CLI 版本:
3.7.0.0-a90988f(2412231401)

    2. 若是，在任意目录下输入icraft-serve即可打开server

    3. 检查icraft和customop安装包版本是否为arm64

      # 检查icraft安装包版本
dpkg -l | grep icraft
# 检查customop安装包版本
dpkg -l | grep customop

      如果依次显示如下信息，则安装版本正确：

      ii  icraft                         3.7.1                             arm64        This is Icraft for arm64
ii  customop                       3.7.1                             arm64        This is Icraft CustomOp for arm64

    4. 如果环境配置有误，请参考Part 1_1 2.3.1 片上系统环境 编译环境准备进行部署环境配置。

    5. 根据此模型使用的硬算子，选择合适的位流，并在板上安装，所用硬算子及可选位流版本可参见本说明文档起始处的状态徽章，位流下载及安装说明请参考1/4) 其他下载资源。

python runtime:

目的：在AI硬件上执行模型前向推理

  1. python运行环境要求与准备

    • python版本：3.8（否则无法使用icraft的python API）

    • 确保已安装icraft的python安装包

      • socket模式使用：pip install icraft-3.x.x-cp38-none-win_amd64.whl
      • axi模式使用：pip install icraft-3.x.x-cp38-none-manylinux2014_aarch64.whl

    • 安装python运行时所需要的依赖包

      cd 3_deploy/modelzoo/TextCNN
pip install -r requirements.txt

  2. 执行程序

    将0_Chinese-Text-Classification-Pytorch\THUCNews下文件移到3_deploy\modelzoo\TextCNN\vocab文件夹下，再将weights下权重移到saved_dict下，然后执行

    
python ./infer_TextCNN.py

    在终端查看结果

4. 精度测试

将0_Chinese-Text-Classification-Pytorch\THUCNews下文件移到3_deploy\modelzoo\TextCNN\vocab文件夹下，再将weights下权重移到saved_dict下，然后执行

python ./TextCNN.py

5. 模型性能记录

TextCNN input shape hard time qt_strategy 精度
float [1, 32, 300] - - Acc: 90.97%
int8 [1, 32, 300] 9.4472 ms null-pt Acc: 90.89%
int16 [1, 32, 300] 10.9260 ms null-pt Acc: 90.92%