mdz/pytorch/dlinear

dlinear

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_dlinear >模型原始工程，需要自行下载
• weights >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c++工程

1. python工程准备

1. 模型来源：

• code：https://gitee.com/mxh-spiger/custom_model.git
• branch：master
• commit_id：8bcd8e1
• weights：https://download.fdwxhb.com/data/04_FMSH-100AI/100AI/04_modelzoo/modelzoo_pub/weights/pytorch/dlinear

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下载,或者使用Time-Series-Library工程进行训练，下载或者训练完成后，将weights存放于 /checkpoints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

2）根据模型来源中的地址，下载指定commit id版本的源代码，文件夹名称要设置为：0_dlinear，同时按照训练代码readme文件中dataset项下载相关数据集，解压至工程dataset文件夹下

# 在此模型根目录
mkdir 0_dlinear
git clone -b main https://gitee.com/mxh-spiger/custom_model.git 
cd Time-Series-Library
git checkout 8bcd8e1

将Time-Series-Library内容拷贝至0_dlinear文件夹下 3）进入1_scripts执行保存模型脚本，所有脚本都需添加相同参数如下

# 在此模型根目录,以预测模型为例
cd 1_scripts
python 1_save.py  --task_name long_term_forecast --is_training 0 --checkpoints ../0_dlinear/checkpoints/ --root_path ../0_dlinear/dataset/ETT-small/ --data_path ETTh1.csv  --model_id ETTh1_96_96 --model DLinear --data ETTh1 --features M --seq_len 96 --label_len 48 --pred_len 96 --e_layers 2 --d_layers 1  --factor 3 --enc_in 7  --dec_in 7   --c_out 7 --des 'Exp' --itr 1 --batch_size 1 

# 若进行分类任务
cd 1_scripts
python 1_save.py --task_name classification --is_training 0 --checkpoints ../0_dlinear/checkpoints/ --root_path ../0_dlinear/dataset/Heartbeat/ --model_id Heartbeat --model DLinear --data UEA --e_layers 3 --batch_size 1 --d_model 128 --d_ff 256 --top_k 3 --des 'Exp' --itr 1 --learning_rate 0.001 --train_epochs 100 --patience 10  

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 >可以推理一张图并得到最终结果，模型原始权重会从 /weights中寻找，需要您预先下载

• 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. 前向修改
     

• 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

DLinear模型较小，无需进行编译、量化，使用板上cpu之际进行onnxruntime推理即可，只需将/2_compile/fmodel中模型拷贝至/3_deploy/modelzoo/dlinear/imodel相对应任务类别下即可

4. 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。

c++ runtime:

目的：编译c/c++可执行程序，在AI硬件上执行模型前向推理

模型库以ubuntu操作系统为例：

1. 编译环境准备

   • os: ubuntu20.04
   • cmake>=3.10
   • compiler: aarch64-linux-gnu-g++/aarch64-linux-gnu-gcc

2. 版本依赖下载

   此依赖主要包括icraft 运行时以及一些其他c++依赖例如opencv等，用于实现模型的部署。如果此前已经存在此版本的依赖可以不必重新下载。

   cd 3_deploy/Deps
   #window，第一次使用，请新建"C:\icraft_auth.txt"，保存下载站账号密码，以换行符分割
   python download.py
   #linux，第一次使用，请新建"/usr/icraft_auth.txt"，保存下载站账号密码，以换行符分割
   ./download.sh
   

   同时请添加onnxruntime依赖已存放在\3_deploy\modelzoo\dilnear\onnxruntime

3. 编译c++程序

   #在3.1所需的linux编译环境中
   cd 3_deploy/modelzoo/dlinear/build_arm
   cmake ..
   make -j
   

4. 执行程序

   cd /home/fmsh/ModelZoo/modelzoo/dlinear/build_arm
   chmod 777 *
   ./ort_run long_term_forecasting or ./ort_run classification
   

   在io/output中查看结果,同时会保存模型运行精度

5. 模型性能记录

dlinear_ltf	input shape	hard time	qt_strategy	mae	mse
float	[1, 96, 7]	-	-	0.411573	0.396674
cpu	[1, 96, 7]	0.58ms	-	0.411573	0.396674

dlinear_cls	input shape	hard time	qt_strategy	acc	f1
float	[1, 405, 61]	-	-	0.756097	0.390243
cpu	[1, 405, 61]	7.32ms	-	0.756097	0.390243