CGAN模型-推理指导

• 概述

  • 输入输出数据

• 推理环境准备

• 快速上手

  • 获取源码
  • 准备数据集
  • 模型推理

• 模型推理性能&精度

  ---

概述

CGAN(条件生成对抗网络,Conditional Generative Adversarial Nets）是生成对抗网络(GAN)的条件版本.可以通过简单地向模型输入数据来构建.在无条件的生成模型中，对于生成的数据没有模式方面的控制，很有可能造成模式坍塌．而条件生成对抗网络的思想就是通过输入条件数据，来约束模型生成的数据的模式．输入的条件数据可以是类别标签，也可以是训练数据的一部分，又甚至是不同模式的数据．CGAN的中心思想是希望可以控制 GAN 生成的图片，而不是单纯的随机生成图片。

• 参考实现：

  url=https://github.com/znxlwm/pytorch-generative-model-collections
  commit_id=0d183bb5ea2fbe069e1c6806c4a9a1fd8e81656f
  code_path=CGAN.py
  model_name=CGAN
  

输入输出数据

• 输入数据

  输入数据	数据类型	大小	数据排布格式
  input	FP32	100 x 72	HW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	100 x 3 x 28 x 28	NCHW

推理环境准备

• 该模型需要以下插件与驱动

  表 1 版本配套表

  配套	版本	环境准备指导
  固件与驱动	22.0.3	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.5.0	-
  说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。	\	\

快速上手

获取源码

1. 安装依赖。

   pip3 install -r requirements.txt
   

准备数据集

1. 获取原始数据集。（解压命令参考tar –xvf *.tar与 unzip *.zip）

   CGAN使用的是随机数作为生成网络的输入。

2. 数据预处理，将随机数转换为模型输入的数据。

   执行CGAN_preprocess.py脚本，完成预处理。

   python3  CGAN_preprocess.py --save_path=./prep_dataset
   

   参数说明：--save_path指定数据保存路径。

模型推理

1. 模型转换。

   使用PyTorch将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。

   1. 获取权重文件。

      权重文件为：CGAN_G.pth
      将获取的权重文件放在当前工作路径下。

   2. 导出onnx文件。

      1. 使用CGAN_pth2onnx.py导出onnx文件。

         运行CGAN_pth2onnx.py脚本。

         python3 CGAN_pth2onnx.py --pth_path=./CGAN_G.pth --onnx_path=./CGAN.onnx
         

         参数说明：--pth_path表示pth路径，--onnx_path表示保存的onnx模型路径。 获得CGAN.onnx文件。

      2. 使用onnx-simplifier优化模型。

          python3 -m onnxsim --input-shape="100,72" CGAN.onnx CGAN_sim.onnx
         

         参数说明：通过命令python3 -m onnxsim -h查看。

         获得CGAN_sim.onnx文件。

   3. 使用ATC工具将ONNX模型转OM模型。

      1. 配置环境变量。

          source /usr/local/Ascend/ascend-toolkit/set_env.sh
         

      2. 执行命令查看芯片名称（${chip_name}）。

         npu-smi info
         #该设备芯片名为Ascend310P3 （自行替换）
         回显如下：
         +-------------------+-----------------+------------------------------------------------------+
         | NPU     Name      | Health          | Power(W)     Temp(C)           Hugepages-Usage(page) |
         | Chip    Device    | Bus-Id          | AICore(%)    Memory-Usage(MB)                        |
         +===================+=================+======================================================+
         | 0       310P3     | OK              | 15.8         42                0    / 0              |
         | 0       0         | 0000:82:00.0    | 0            1074 / 21534                            |
         +===================+=================+======================================================+
         | 1       310P3     | OK              | 15.4         43                0    / 0              |
         | 0       1         | 0000:89:00.0    | 0            1070 / 21534                            |
         +===================+=================+======================================================+
         

      3. 执行ATC命令。

         atc --framework=5 \
            --model=CGAN_sim.onnx \
            --output=CGAN_bs1 \
            --input_format=ND \
            --output_type=FP32 \
            --input_shape="image:100,72" \
            --log=error \
            --soc_version=Ascend${chip_name}
         

         • 参数说明：通过atc -h命令查看。

           运行成功后生成CGAN_bs1.om模型文件。

2. 开始推理验证。

   1. 安装ais_bench推理工具。

      请访问ais_bench推理工具代码仓，根据readme文档进行工具安装。

   2. 执行推理。

      python3 -m ais_bench \
          --model=CGAN_bs1.om \
          --output=./ \
          --outfmt=BIN \
          --input=prep_dataset \
          --batchsize=1
      
      • 参数说明：通过命令'python3 -m ais_bench -h'命令查看。

      推理后的输出保存在当前目录下。

   3. 精度验证。

      调用CGAN_postprocess.py脚本将om模型的推理结果转化为图像。

       python3 CGAN_postprocess.py \
            --bin_out_path=${results_path} \
            --save_path=./result
      

   • 参数说明：

       -   --bin_out_path：om推理结果路径。
       -   --save_path：为转化图像的生成路径。
     

   运行后在--save_path指定的目录保存转化的图像，生成的图片名称为result.png。

   精度比对方法：om模型的推理图像result.png中包含手写数字效果，与开源链接中展示的在视觉效果上一致。

   4. 性能验证。

      可使用ais_bench推理工具的纯推理模式验证om模型的性能，参考命令如下：

       python3 -m ais_bench \
          --model=CGAN_bs1.om \
          --loop=20 \
          --batchsize=1
      
      • 参数说明：通过命令'python3 -m ais_bench -h'命令查看。

公网地址说明

代码涉及公网地址参考 public_address_statement.md