中文|English

ResCNN TensorFlow离线推理

此链接提供ResCNN TensorFlow模型在NPU上离线推理的脚本和方法

注意

此案例仅为您学习Ascend软件栈提供参考，不用于商业目的。

在开始之前，请注意以下适配条件。如果不匹配，可能导致运行失败。

快速指南

1. 拷贝代码

git clone https://gitee.com/ascend/ModelZoo-TensorFlow.git
cd Modelzoo-TensorFlow/ACL_TensorFlow/built-in/cv/ResCNN_for_ACL/

2. 下载数据集和预处理

1. 请自行下载DIV2K测试数据集

2. 将100张LR图片放到'./DIV2K_test_100/'目录下作为测试数据.

3. 创建推理输入和输出目录:

cd scripts
mkdir input_bins
mkdir results

将保存临时bin文件

3. 离线推理

Pb模型转换为om模型

pb模型下载链接

• 环境变量设置

  请参考说明，设置环境变量

• Pb模型转换为om模型 由于整个测试图片将被分割为一些不同的大小，包括64 x 64、32 x 64、32x 44，这里我们转换了三个om文件：

  atc --model=ResCNN_tf.pb --framework=3 --output=ResCNN_64_64_1batch --output_type=FP32 --soc_version=Ascend310 --input_shape="input:1,64,64,3" --log=info
  atc --model=ResCNN_tf.pb --framework=3 --output=ResCNN_32_64_1batch --output_type=FP32 --soc_version=Ascend310 --input_shape="input:1,32,64,3" --log=info
  atc --model=ResCNN_tf.pb --framework=3 --output=ResCNN_32_44_1batch --output_type=FP32 --soc_version=Ascend310 --input_shape="input:1,32,44,3" --log=info
  

• 编译程序

  bash build.sh
  

• 开始运行:

  bash benchmark_tf.sh
  

NPU 性能

结果

本结果是通过运行上面适配的推理脚本获得的。要获得相同的结果，请按照《快速指南》中的步骤操作。

推理精度结果

参考

[1] https://github.com/payne911/SR-ResCNN-Keras