forked from jiuyuan/InfiniTensor
204 lines
7.9 KiB
Markdown
204 lines
7.9 KiB
Markdown
# 使用指南
|
||
|
||
## 目录
|
||
|
||
- [使用方法](#使用方法)
|
||
- [python 前端应用指南](#python-前端应用指南)
|
||
- [导入 onnx 模型](#导入-onnx-模型)
|
||
- [优化](#优化)
|
||
- [导出 onnx 模型](#导出-onnx-模型)
|
||
- [执行推理](#执行推理)
|
||
- [样例代码](#样例代码)
|
||
- [技术支持](#技术支持)
|
||
- [测试](#测试)
|
||
|
||
## 使用方法
|
||
|
||
项目管理功能已写到 [Makefile](../Makefile)，支持下列功能：
|
||
|
||
- 编译项目：`make`/`make build`
|
||
- 清理生成文件：`make clean`
|
||
- 安装 python 库：`make install-python`
|
||
- 测试 c++ 后端：`make test-cpp`
|
||
- 测试 python 前端：`make test-onnx`
|
||
|
||
并使用下列环境变量传递选项参数：
|
||
|
||
- `TYPE`：编译模式（`debug`/`release`），默认值为 `release`
|
||
- `CUDA`：是否编译 CUDA 后端，默认为 `OFF`，`ON` 打开
|
||
- `BANG`：是否编译寒武纪后端，默认为 `OFF`，`ON` 打开
|
||
- `KUNLUN`：是否编译昆仑后端，默认为 `OFF`，`ON` 打开
|
||
- `BACKTRACE`：是否启用栈回溯，默认为 `ON`，`OFF` 关闭，建议调试时打开
|
||
- `TEST`：是否编译 `googletest`，默认为 `ON`，`OFF` 关闭，只有 `test-cpp` 时必要
|
||
|
||
## python 前端应用指南
|
||
|
||
`make install-python` 会将项目的 python 前端以 `pyinfinitensor` 为名字安装到系统目录，可以直接 `import pyinfinitensor` 来使用。现阶段，项目的主要用法是从 onnx 导入模型进行优化，然后可以再导出优化后的模型到 onnx，也可以直接运行推理。
|
||
|
||
### 导入 onnx 模型
|
||
|
||
支持的模型：
|
||
|
||
- [x] [ResNet18-v2](https://github.com/onnx/models/blob/main/validated/vision/classification/resnet/model/resnet18-v2-7.onnx)
|
||
- [x] [DenseNet-121-12](https://github.com/onnx/models/blob/main/validated/vision/classification/densenet-121/model/densenet-12.onnx)
|
||
- [x] [Inception-2](https://github.com/onnx/models/blob/main/validated/vision/classification/inception_and_googlenet/inception_v2/model/inception-v2-9.onnx)
|
||
- [x] [EfficientNet-Lite4](https://github.com/onnx/models/blob/main/validated/vision/classification/efficientnet-lite4/model/efficientnet-lite4-11.onnx)
|
||
|
||
```python
|
||
import onnx
|
||
from pyinfinitensor.onnx import OnnxStub
|
||
from pyinfinitensor import backend
|
||
|
||
stub = OnnxStub(onnx.load("model_file"), backend.cpu_runtime())
|
||
```
|
||
|
||
[`onnx.load`](https://onnx.ai/onnx/api/serialization.html#load-a-model) 是 onnx 提供的加载函数，将 onnx 文件读取为保存在内存中的 onnx 模型。
|
||
|
||
`OnnxStub` 是 onnx 模型在项目中的表示，通过构造这个对象，将 onnx 模型导入到项目中。其构造器的第一个参数是 onnx 模型文件；第二个参数是模型运行的后端运行时，可以是 `backend.cpu_runtime()`、`backend.cuda_runtime()` 或 `backend.bang_runtime()`。
|
||
|
||
构造出的 stub 对象可以用于操作项目中的模型和运行时。
|
||
|
||
### 优化
|
||
|
||
TODO
|
||
|
||
### 导出 onnx 模型
|
||
|
||
优化后的模型可以导出成 onnx 文件提供给其他运行时。
|
||
|
||
```python
|
||
with open("optimized.onnx", "wb") as f:
|
||
f.write(stub.to_onnx("optimized").SerializeToString())
|
||
```
|
||
|
||
`stub.to_onnx(<name>)` 将模型转换为 onnx 模型对象，`<name>` 将填写到 onnx 模型的 `name` 字段。序列化到文件的代码见[官方示例](https://onnx.ai/onnx/intro/python.html#model-serialization)。
|
||
|
||
要可视化检查导出的模型文件，可以利用 [onnx 提供的功能](https://onnx.ai/onnx/api/shape_inference.html#infer-shapes)将所有的张量的形状推理出来再导出：
|
||
|
||
```python
|
||
from onnx.shape_inference import infer_shapes
|
||
|
||
with open("optimized.onnx", "wb") as f:
|
||
f.write(infer_shapes(stub.to_onnx("optimized")).SerializeToString())
|
||
```
|
||
|
||
然后用 [Netron](https://netron.app/) 绘制计算图。
|
||
|
||
### 执行推理
|
||
|
||
也可以使用项目的运行时执行推理。
|
||
|
||
第一步是将数据传入计算图。`OnnxStub.inputs` 是一个 `Dict[str, Tensor]`，保存着模型的所有输入的名字和对象。可以用 [`items()`](https://docs.python.org/zh-cn/3/library/stdtypes.html#dict.items) 来遍历。
|
||
|
||
这个代码片段显示了如何打印出模型所有输入张量的名字、形状和对象指针：
|
||
|
||
```python
|
||
for name, tensor in stub.inputs.items():
|
||
print(name, tensor.shape(), tensor)
|
||
```
|
||
|
||
对于 [resnet18-v2-7.onnx](https://github.com/onnx/models/blob/main/validated/vision/classification/resnet/model/resnet18-v2-7.onnx)，会打印出：
|
||
|
||
```plaintext
|
||
data [1, 3, 224, 224] <backend.Tensor object at 0x7efeb828e3b0>
|
||
```
|
||
|
||
当然，地址是随机的。这个输出表明需要输入一个名为 “data”，形为 1×3×224×224 的数据。通常来说，这表示一张 224×224 的 rgb 图片。而这个模型是一个 1000 分类的图像分类模型。
|
||
|
||
为了方便，这里我们向模型传入一个随机的数据。
|
||
|
||
```python
|
||
import numpy
|
||
|
||
stub.init()
|
||
for name, tensor in stub.inputs.items():
|
||
print(name, tensor.shape(), tensor)
|
||
input = numpy.random.random(tensor.shape()).astype(numpy.float32)
|
||
tensor.copyin_float(input.flatten().tolist())
|
||
```
|
||
|
||
`stub.init()` 为所有张量分配空间。空间是预分配的，所以不支持动态 size 的模型。
|
||
|
||
`tensor.copyin_float(<data>)` 向张量传入数据。其参数必须是一个 `List[float]`，即压平的数据。类似的函数还有 `copyin_int32(<data>)` 和 `copyin_int64(<data>)`
|
||
|
||
然后，调用 `stub.run()` 执行推理：
|
||
|
||
```python
|
||
stub.run()
|
||
```
|
||
|
||
最后，将结果拷贝出来，传入类似：
|
||
|
||
```python
|
||
stub.init()
|
||
for name, tensor in stub.outputs.items():
|
||
print(name, tensor.shape(), tensor)
|
||
print(tensor.copyout_float())
|
||
```
|
||
|
||
### 样例代码
|
||
|
||
您可以参照[resnet.py](https://github.com/wanghailu0717/NNmodel/blob/main/ResNet/resnet.py)的样例代码进行了解，并尝试运行。在这个文件中，我们使用了 Pytorch 构建了 resnet 网络。您可以查阅该脚本使用方式：
|
||
|
||
```python
|
||
python resnet.py -h
|
||
```
|
||
|
||
在样例代码中，我们对定义的网络进行了序列化操作，并存储为模型文件。之后加载该模型文件，并转换为本项目的模型进行优化操作，再进行推理。您可以关注一下代码中 242 行之后的代码。请注意，您可以按照您的需求来进行操作，通常来说，您所需要撰写的代码就是加载模型，转换为本项目的模型进行优化，推理运行。
|
||
|
||
## 技术支持
|
||
|
||
如若您遇到了本项目的问题，请联系我们的技术支持团队
|
||
|
||
## 测试
|
||
|
||
除了单元测试 `make test-cpp` 和 `make test-onnx` 之外，还可以用其他方式来测试单个模型导入导出和优化的正确性。
|
||
|
||
这个脚本利用 onnxruntime 来测试导出的模型是否与导入的模型等价：
|
||
|
||
```python
|
||
import onnx
|
||
import numpy
|
||
import sys
|
||
from onnx import ModelProto, ValueInfoProto
|
||
from pyinfinitensor.onnx import OnnxStub
|
||
from pyinfinitensor import backend
|
||
from onnxruntime import InferenceSession
|
||
|
||
|
||
def infer(model: ModelProto, input) -> dict:
|
||
collection = set()
|
||
for node in model.graph.node:
|
||
for output in node.output:
|
||
collection.add(output)
|
||
model.graph.output.extend([ValueInfoProto(name=x) for x in collection])
|
||
session = InferenceSession(model.SerializeToString())
|
||
i = session.get_inputs()[0].name
|
||
return dict(
|
||
zip(
|
||
[x.name for x in session.get_outputs()],
|
||
[x.flatten() for x in session.run(None, {i: input})],
|
||
)
|
||
)
|
||
|
||
|
||
model0 = onnx.load(sys.argv[1])
|
||
model1 = OnnxStub(model0, backend.cpu_runtime()).to_onnx("new")
|
||
|
||
input_shape = [x.dim_value for x in model1.graph.input[0].type.tensor_type.shape.dim]
|
||
input = numpy.random.random(input_shape).astype(numpy.float32)
|
||
|
||
output0 = infer(model0, input)[model0.graph.output[0].name]
|
||
output1 = infer(model1, input)[model1.graph.output[0].name]
|
||
|
||
print("error =", sum((output1 - output0) ** 2) / len(output0))
|
||
```
|
||
|
||
要运行脚本，先安装 onnxruntime：
|
||
|
||
```bash
|
||
pip install onnxruntime
|
||
```
|
||
|
||
打印出的 `error = ...` 是两个模型输出张量的均方误差。对于不同的模型，这个误差最小为 0，最大不超过 1e-9。
|