中文|English

DCN Tensorflow 离线推理

此链接提供 Deep & Cross Network for Ad Click Predictions 模型在NPU上离线推理的脚本和方法。 原始训练模型请点击: DCN_for_Tensorflow

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/recommendation/DCN_for_ACL

2. 下载数据集和预处理

1.请自行下载Criteo 数据集，并将 Criteo/train.txt 移至 scripts。

2.将数据集分成训练和测试集(0.8:0.2),并将测试数据集预处理成 batchsize=4000 的bin文件：

cd scripts
python3 data_preprocess.py Criteo/train.txt

将会生成 input_x, labels 目录，其 batchsize=4000:

input_x
|___batch1_X.bin
|___batch2_X.bin
...

labels
|___batch1_Y.bin
|___batch2_Y.bin
...

3. 离线推理

离线模型转换

• 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

  pb模型下载链接

  atc --model=dcn_tf.pb --framework=3 --output=dcn_tf_4000batch --output_type=FP32 --soc_version=Ascend310 --input_shape="input_1:4000,39" --input_format=ND --log=info
  

• 编译程序

  bash build.sh
  

benchmark 工具的运行结果将会生成在 Benchmark/output/ 路径下:

• 开始运行:

  cd scripts
  bash benchmark_tf.sh
  

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://gitee.com/ascend/ModelZoo-TensorFlow/tree/master/TensorFlow/built-in/recommendation/DCN_ID1986_for_TensorFlow