mdz/pytorch/ppo

ppo

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_ppo >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
• 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://github.com/DLR-RM/rl-baselines3-zoo.git
• branch：master
• commit_id：27e081e
• weights：https://download.fdwxhb.com/data/04_FMSH-100AI/100AI/04_modelzoo/modelzoo_pub/weights/pytorch/ppo

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

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_ppo

# 在此模型根目录
mkdir 0_ppo
git clone -b master https://github.com/DLR-RM/rl-baselines3-zoo.git 0_ppo
cd 0_ppo
git checkout 27e081e

3）进入1_scripts执行保存模型脚本

# 在此模型根目录
cd 1_scripts
python 1_save.py  

1_scripts提供脚本说明：

• 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 >保存模型与ONNX输入，保存为onnx模型，会存放在 \3_deploy\modelzoo\dqn\imodel，输入放在\3_deploy\modelzoo\dqn\io
• 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. 部署模型

目的：编译c/c++可执行程序，在硬件上执行onnxruntime进行前向推理

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

   主要版本依赖已存放在\3_deploy\modelzoo\ppo\onnxruntime

   相关文件：https://download.fdwxhb.com/data/04_FMSH-100AI/100AI/04_modelzoo/modelzoo_pub/pkgs/onnxruntime.zip

3. 编译c++程序

   #在3.1所需的linux编译环境中
   cd 3_deploy/modelzoo/ppo/build_arm
   
   cmake .. -DCMAKE_BUILD_TYPE=RELEASE -DCMAKE_SYSTEM_NAME=Linux -DCMAKE_SYSTEM_PROCESSOR=aarch64 -DCMAKE_C_COMPILER=aarch64-linux-gnu-gcc -
   DCMAKE_CXX_COMPILER=aarch64-linux-gnu-g++
   
   make -j12
   

   模型输入均在 3_deploy/modelzoo/ppo/io中，可根据需要进行替换，生成方式如下：

   # 仅测试时间，python中随机生成输出
   obs_onnx = torch.randn(1,2,64,64,dtype=torch.float32)
   obs_onnx.tofile("encoder_input.ftmp")
   # 最后手动放入对应3_deploy/modelzoo_v3.0.1/ppo/io/inputs/ppo目录中
   

4. 执行程序

   运行前需要手动把3_deploy\modelzoo\ppo\onnxruntime\lib\aarch64下的libonnxruntime.so, libonnxruntime.so.1.17.1复制到运行环境中，例如 usr/lib下, 然后执行：

   cd /home/fmsh/ModelZoo/modelzoo/ppo/build_arm
   chmod 777 *
   ./ort_run
   

   在终端可查看程序运行结果，显示最终输出耗时

3. 模型性能记录

onnxruntime在板上运行时间：

ppo	input shape	hard time
ppo	[1, 2, 64, 64]	2.8ms