代码拉取完成，页面将自动刷新
该样例主要是基于Caffe ResNet-50网络（单输入、单Batch）实现图片分类的功能。
在该样例中：
先使用样例提供的脚本transferPic.py，将2张*.jpg图片都转换为*.bin格式，同时将图片从1024*683的分辨率缩放为224*224。
加载离线模型om文件，对2张*.jpg图片进行n次异步推理（n作为运行应用的参数，由用户配置），分别得到n次推理结果后，再对推理结果进行处理，输出top1置信度的类别标识。
在加载离线模型前，提前将Caffe ResNet-50网络的模型文件转换为适配昇腾AI处理器的离线模型。
样例代码结构如下所示。
├── data
│ ├── dog1_1024_683.jpg //测试数据,需要按指导获取测试图片，放到data目录下
│ ├── dog2_1024_683.jpg //测试数据,需要按指导获取测试图片，放到data目录下
├── inc
│ ├── memory_pool.h //声明内存池处理相关函数的头文件
│ ├── model_process.h //声明模型处理相关函数的头文件
│ ├── sample_process.h //声明资源初始化/销毁相关函数的头文件
│ ├── utils.h //声明公共函数（例如：文件读取函数）的头文件
├── script
│ ├── transferPic.py //将*.jpg转换为*.bin，同时将图片从1024*683的分辨率缩放为224*224
├── scripts
│ ├── host_version.conf // version配置
│ ├── testcase_200dk.sh // Atlas200dk脚本
│ ├── testcase_300.sh // Atlas300脚本
├── src
│ ├── acl.json //系统初始化的配置文件
│ ├── CMakeLists.txt //编译脚本
│ ├── main.cpp //主函数，图片分类功能的实现文件
│ ├── memory_pool.cpp //内存池处理相关函数的实现文件
│ ├── model_process.cpp //模型处理相关函数的实现文件
│ ├── sample_process.cpp //资源初始化/销毁相关函数的实现文件
│ ├── utils.cpp //公共函数（例如：文件读取函数）的实现文件
├── .project //工程信息文件，包含工程类型、工程描述、运行目标设备类型等
├── CMakeLists.txt //编译脚本，调用src目录下的CMakeLists文件
├── sample_build.sh //样例编译脚本
├── sample_run.h //样例运行脚本
操作系统及架构：CentOS 7.6 x86_64、CentOS aarch64、Ubuntu 18.04 x86_64、EulerOS x86、EulerOS aarch64
编译器：g++或aarch64-linux-gnu-g++
芯片：Atlas 200/300/500 推理产品、Atlas 推理系列产品（配置Ascend 310P AI处理器）、Atlas 训练系列产品
python及依赖的库：python3.7.5
已在环境上部署昇腾AI软件栈，并配置对应的的环境变量，请参见Link中对应版本的CANN安装指南。
以下步骤中，开发环境指编译开发代码的环境，运行环境指运行算子、推理或训练等程序的环境，运行环境上必须带昇腾AI处理器。开发环境和运行环境可以合设在同一台服务器上，也可以分设，分设场景下，开发环境下编译出来的可执行文件，在运行环境下执行时，若开发环境和运行环境上的操作系统架构不同，则需要在开发环境中执行交叉编译。
配置CANN基础环境变量和Python环境变量，请参见Link。
以运行用户登录开发环境。
下载sample仓代码并上传至环境后，请先进入根目录下“cplusplus/level2_simple_inference/1_classification/resnet50_async_imagenet_classification”样例目录。
请注意，下文中的样例目录均指“cplusplus/level2_simple_inference/1_classification/resnet50_async_imagenet_classification”目录。
准备ResNet-50模型。
获取ResNet-50原始模型。
您可以从以下链接中获取ResNet-50网络的模型文件（*.prototxt）、权重文件（*.caffemodel），并以运行用户将获取的文件上传至开发环境的“样例目录/caffe_model“目录下。如果目录不存在，需要自行创建。
将ResNet-50网络转换为适配昇腾AI处理器的离线模型（*.om文件）。
切换到样例目录，执行如下命令(以昇腾310 AI处理器为例)：
atc --model=caffe_model/resnet50.prototxt --weight=caffe_model/resnet50.caffemodel --framework=0 --output=model/resnet50 --soc_version=Ascend310 --input_format=NCHW --input_fp16_nodes=data -output_type=FP32 --out_nodes=prob:0
--model：原始模型文件路径。
--weight：权重文件路径。
--framework：原始框架类型。0：表示Caffe；1：表示MindSpore；3：表示TensorFlow；5：表示ONNX。
--soc_version：昇腾AI处理器的版本。进入“CANN软件安装目录/compiler/data/platform_config”目录，".ini"文件的文件名即为昇腾AI处理器的版本，请根据实际情况选择。
--input_format：模型输入数据的Format。
--input_fp16_nodes：指定输入数据类型为FP16的输入节点名称。
--output_type和--out_nodes：这2个参数配合使用，指定prob节点的第一个输出的数据类型为float32。
--output：生成的resnet50.om文件存放在“样例目录/model“目录下。建议使用命令中的默认设置，否则在编译代码前，您还需要修改sample_process.cpp中的omModelPath参数值。
const char* omModelPath = "../model/resnet50.om";
准备测试图片。
请从以下链接获取该样例的测试图片，并以运行用户将获取的文件上传至开发环境的“样例目录/data“目录下。如果目录不存在，需自行创建。
https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg
https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog2_1024_683.jpg
切换到“样例目录/data“目录下，执行transferPic.py脚本，将*.jpg转换为*.bin，同时将图片从1024*683的分辨率缩放为224*224。在“样例目录/data“目录下生成2个*.bin文件。
python3.7.5 ../script/transferPic.py
如果执行脚本报错“ModuleNotFoundError: No module named 'PIL'”，则表示缺少Pillow库，请使用pip3.7.5 install Pillow --user命令安装Pillow库。
配置CANN基础环境变量和Python环境变量，请参见Link。
编译代码。
以运行用户登录开发环境。
下载sample仓代码并上传至环境后，请先进入根目录下“cplusplus/level2_simple_inference/1_classification/resnet50_async_imagenet_classification”样例目录。
请注意，下文中的样例目录均指“cplusplus/level2_simple_inference/1_classification/resnet50_async_imagenet_classification”目录。
设置环境变量，配置程序编译依赖的头文件与库文件路径。
设置以下环境变量后，编译脚本会根据“{DDK_PATH}环境变量值/runtime/include/acl”目录查找编译依赖的头文件，根据{NPU_HOST_LIB}环境变量指向的目录查找编译依赖的库文件。“$HOME/Ascend”请替换“Ascend-cann-toolkit”包的实际安装路径。
注意，在配置{NPU_HOST_LIB}环境变量时，需使用的“runtime/lib64/stub”目录下*.so库，确保在编译基于AscendCL接口的应用程序时，不依赖其它组件（例如Driver）的*.so库，编译成功后，运行应用程序时，系统会根据LD_LIBRARY_PATH环境变量查找“Ascend-cann-toolkit安装目录/runtime/lib64”目录下的*.so库，同时会自动链接到所依赖的其它组件的*.so库。
当开发环境与运行环境的操作系统架构相同时，配置示例如下所示：
export DDK_PATH=$HOME/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub
当开发环境与运行环境的操作系统架构不同时，配置示例如下所示：
例如，当开发环境为X86架构、运行环境为AArch64架构时，则涉及交叉编译，需在开发环境上安装AArch64架构的软件包，将{DDK_PATH}环境变量的路径指向AArch64架构的软件包安装目录（如下所示），便于使用与运行环境架构相同的软件包中的头文件和库文件来编译代码。
export DDK_PATH=$HOME/Ascend/ascend-toolkit/latest/arm64-linux
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub
您可以登录对应的环境，执行“uname -a”命令查询其操作系统的架构。
切换到样例目录，创建目录用于存放编译文件，例如，本文中，创建的目录为“build/intermediates/host“。
mkdir -p build/intermediates/host
切换到“build/intermediates/host“目录，执行cmake生成编译文件。
“../../../src“表示CMakeLists.txt文件所在的目录，请根据实际目录层级修改。
将DCMAKE_SKIP_RPATH设置为TRUE，代表不会将rpath信息（即NPU_HOST_LIB配置的路径）添加到编译生成的可执行文件中去，可执行文件运行时会自动搜索实际设置的LD_LIBRARY_PATH中的动态链接库。
当开发环境与运行环境操作系统架构相同时，执行如下命令编译。
cd build/intermediates/host
cmake ../../../src -DCMAKE_CXX_COMPILER=g++ -DCMAKE_SKIP_RPATH=TRUE
当开发环境与运行环境操作系统架构不同时，执行以下命令进行交叉编译。
例如，当开发环境为X86架构，运行环境为AArch64架构时，执行以下命令进行交叉编译。
cd build/intermediates/host
cmake ../../../src -DCMAKE_CXX_COMPILER=aarch64-linux-gnu-g++ -DCMAKE_SKIP_RPATH=TRUE
执行make命令，生成的可执行文件main在“样例目录/out“目录下。
make
运行应用。
以运行用户将开发环境的样例目录及目录下的文件上传到运行环境（Host），例如“$HOME/acl_resnet50_async”。
以运行用户登录运行环境（Host）。
切换到可执行文件main所在的目录，例如“$HOME/acl_resnet50_async/out”，给该目录下的main文件加执行权限。
chmod +x main
切换到可执行文件main所在的目录，例如“$HOME/acl_resnet50_async/out”，运行可执行文件。
运行可执行文件，不带参数时：
运行可执行文件，带参数时：
./main
执行成功后，在屏幕上的关键提示信息示例如下，提示信息中的index表示类别标识、value表示该分类的最大置信度，这些值可能会根据版本、环境有所不同，请以实际情况为准：
[INFO] ./main param1 param2 param3, param1 is execute model times(default 100), param2 is callback interval(default 1), param3 is memory pool size(default 100)
[INFO] execute times = 100
[INFO] callback interval = 1
[INFO] memory pool size = 100
[INFO] acl init success
[INFO] open device 0 success
[INFO] create context success
[INFO] create stream success
[INFO] get run mode success
[INFO] load model ../model/resnet50.om success
[INFO] create model description success
[INFO] init memory pool success
[INFO] subscribe report success
[INFO] top 1: index[267] value[xxxxxx]
[INFO] top 1: index[161] value[xxxxxx]
[INFO] top 1: index[267] value[xxxxxx]
[INFO] top 1: index[161] value[xxxxxx]
[INFO] top 1: index[161] value[xxxxxx]
[INFO] top 1: index[267] value[xxxxxx]
[INFO] top 1: index[161] value[xxxxxx]
[INFO] top 1: index[267] value[xxxxxx]
[INFO] top 1: index[161] value[xxxxxx]
[INFO] top 1: index[267] value[xxxxxx]
......
[INFO] top 1: index[161] value[xxxxxx]
[INFO] top 1: index[267] value[xxxxxx]
[INFO] model execute success
[INFO] unsubscribe report success
[INFO] unload model success, modelId is 1
[INFO] execute sample success
[INFO] end to destroy stream
[INFO] end to destroy context
[INFO] end to reset device is 0
[INFO] end to finalize acl
说明： 类别标签和类别的对应关系与训练模型时使用的数据集有关，本样例使用的模型是基于imagenet数据集进行训练的，您可以在互联网上查阅imagenet数据集的标签及类别的对应关系，例如，可单击Link查看。 当前屏显信息中的类别标识与类别的对应关系如下： "161": ["basset", "basset hound"]、 "267": ["standard poodle"]。
在该Sample中，涉及的关键功能点及其接口，如下所示：
初始化
Device管理
Context管理
Stream管理
内存管理
数据传输
调用aclrtMemcpy接口通过内存复制的方式实现数据传输。
模型推理
数据后处理
提供样例代码，处理模型推理的结果，直接在终端上显示top1置信度的类别编号。
另外，样例中提供了自定义接口DumpModelOutputResult，用于将模型推理的结果写入文件（运行可执行文件后，推理结果文件在运行环境上的应用可执行文件的同级目录下），默认未调用该接口，用户可在model_process.cpp中，在调用OutputModelResult接口前，增加如下代码调用DumpModelOutputResult接口：
// OutputModelResult prints the top 1 confidence value with index.
// If want to dump output result to file in the current directory,
// use function DumpModelOutputResult.
ModelProcess::DumpModelOutputResult(data.second);
ModelProcess::OutputModelResult(data.second);
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。
马建仓 AI 助手