本文主要是介绍学习笔记：在华为昇腾NPU上进行深度学习项目【未完待续】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
在NPU上做深度学习算法
- 场景和功能说明
- 系统信息查询
- 1、场景一：非NPU上训练的模型推理
- 1.1 执行方案
- 学习案例
- 1.2 CPU/GPU训练的模型转.ONNX模型
- 1.3 onnx转om
- 1.4 om推理
昇腾社区链接： 昇腾社区-官网丨昇腾万里 让智能无所不及
场景和功能说明
- 第一种：在cpu或gpu上训练的模型，但要在NPU上执行模型推理；
- 第二种：在NPU上同步训练、推理。
系统信息查询
中括号里的为查询结果示例。
– 查看系统架构：uname -a [aarch64，也称arm64]
– 查看操作系统版本：lsb_release -a [Ubuntu 22.04.3 LTS]
– 查看npu芯片型号：npu-smi info [Ascend310B4]
– 查看npu id：npu-smi info -l
– 查看Atlas产品型号：npu-smi info -t product -i <npu id> [Atlas 200I A2]
1、场景一：非NPU上训练的模型推理
此种使用场景下，cpu或gpu上训练的模型无法直接在nup上执行推理，需要先把训练好的模型转换成.om离线模型，才可以在NPU上执行后续的推理。
1.1 执行方案
step1：在已安装CANN开发环境的机器上，把cpu或gpu上训练的模型转换成.onnx格式 或 pd格式
step2：在安装CANN运行环境的机器上，把onnx格式转om格式。
对应CANN开发环境、运行环境的区别、安装方法见官方文档：CANN软件安装学习案例
① 官方gitee项目-支持tensorflow、pytorch的模型转换 这里已经集成了多种开源模型从
初始模型 —> onnx模型 —> om模型的转换操作步骤和对应代码。
- 第一阶段：模型转onnx需要写代码完成；
- 第二阶段：.onnx转.om使用
atc命令完成，无须写代码。② 仅
onnx模型 —> om模型的转换案例：昇腾社区简单ATC转换案例
③ om模型的推理应用案例 这里的快速链接是昇腾社区下pytorch的应用案例，昇腾社区也集成了其他训练框架的应用案例，可自行查看。
④ 其他网友的分享：[推理部署]🌔ONNX推理加速技术文档-杂记
1.2 CPU/GPU训练的模型转.ONNX模型
以下是基于 bert_base_chinese预训练模型转onnx 改写的转换代码：
- 源文件：基于bert_base_chinese模型微调后的.pt模型文件
- 目标：把.pt转换成.onnx
import torch
import onnx
import numpy as np
import onnxruntime
from init.init_config import ModelConfig'''
1、pth文件转onnx：pytorch框架中集成了onnx模块，属于官方支持，onnx也覆盖了pytorch框架中的大部分算子。因此将pth模型文件转换为onnx文件非常简单。参考：https://zhuanlan.zhihu.com/p/524023964?utm_id=0
2、.pth转.onnx可以在任意机器上执行，只要有python并安装了对应依赖包即可，既可以是普通windows x86_64 gpu/cpu，也可以是linux Ascend310B4(昇腾 310B4 npu卡)
3、本文件中：
① 使用的是“基于bert-base-chinese微调的模型”，微调时的输入样本只有一个序列，所以训练时把token_type_ids也省略了；
② 和原始bert-base-chinese预训练模型input_shape=(batch_size,max_len)不同，微调训练使用的input_shape=(src_len,batch_size), attention_mask_shape=(batch_size,src_len), src_len是固定的512。
注意：Atlas 200/500 A2推理产品不支持动态Shape输入（设置Shape范围）。 详见官方文档 https://www.hiascend.com/document/detail/zh/canncommercial/70RC1/inferapplicationdev/aclpythondevg/aclpythondevg_0060.html
'''model_path = 'E:\\opencode\\13-02-BertWithPretrained-main\\cache1\\ner_model_epoch1_steps1000.pt' # 微调后的模型文件
onnx_path = "./ner_model_bert.onnx" # 定义onnx模型保存地址。固定max_len=512
# 注意token_id的shape=（src_len, batch_size）
input_shape = (512, 1)# todo 这里和原始模型在CPU或GPU上的加载方式保持一样。这里代码省略。。。。
model_config = ModelConfig()def load_torch_model():invoice_model = model_config.model# 在导出模型之前必须调用 model.eval() 或 model.train(False)，因为这会将模型设置为“推理模式”。 这是必需的，因为 dropout 或 batchnorm 等运算符在推理和训练模式下的行为有所不同。invoice_model.eval()return invoice_modeldef onnx_model_predict(onnx_path, dummy_input):# 创建会话，用于推理'''这里 onnxruntime.InferenceSession(model_path) 就是加载模型的步骤，ONNX Runtime 会在内部执行模型的验证。如果模型有问题，ONNX Runtime 将在加载过程中引发异常。因此，在使用 ONNX Runtime 进行推理时，你通常不需要显式地调用 onnx.load(onnx_path) 和 onnx.checker.check_model(onnx_model)。 # 模型加载onnx_model = onnx.load(onnx_path)onnx.checker.check_model(onnx_model)'''ort_session = onnxruntime.InferenceSession(onnx_path)# 获取模型的输入"input"inputs = ort_session.get_inputs()# bert基础模型设置:定义模型的输入{"input":numpys数组-不是tensor}和输出 ["output"]padding_mask = np.transpose((dummy_input == 0))# 省略token_type_ids的写法，和源模型转onnx时的input保持一致！ort_inputs = {inputs[0].name: dummy_input,inputs[1].name: padding_mask}outputs = ort_session.get_outputs()output_name = [outputs[0].name]# 模型推理ort_outs = ort_session.run(output_name, ort_inputs)return ort_outsdef export_config(token_ids, padding_mask, keep=True):'''使用的是bert-base-chinese模型，常规输入包含input_ids、attention_mask、token_type_ids:param token_ids: 句子输入编码:param padding_mask: 掩码:param keep: 是否保留token_type_ids:return:'''output_names = ["out"]if keep:input_data = (token_ids,padding_mask,token_ids)input_names = ["input_ids", "attention_mask", "token_type_ids"]dynamic_axes = {"input_ids": {0: "B"},"attention_mask": {0: "B"},"token_type_ids": {0: "B"},"out": {0: "B"}}else:input_data = (token_ids,padding_mask)input_names = ["input_ids", "attention_mask"]dynamic_axes = {"input_ids": {0: "B"},"attention_mask": {0: "B"},"out": {0: "B"}}return input_data, input_names, output_names, dynamic_axesdef torch2onnx(dummy_input):torch_model = load_torch_model(model_path)token_ids = torch.from_numpy(dummy_input) # numpy.ndarray转torch.tensor# bert基础模型设置padding_mask = (token_ids == 0).transpose(0, 1)# build data# 因为这里使用的是“基于bert-base-chinese微调的模型”，微调时的输入样本只有一个序列，所以token_type_ids可省略input_data, input_names, output_names, dynamic_axes = export_config(token_ids, padding_mask, keep=False)# onnx模型导出：verbose--是否打印日志torch.onnx.export(torch_model, input_data, onnx_path,verbose=True,opset_version=11,dynamic_axes=dynamic_axes,input_names=input_names,output_names=output_names)# 测试模型是否合理# 模型加载onnx_model = onnx.load(onnx_path)# 检查onnx模型转换是否合理onnx.checker.check_model(onnx_model)def onnx_predict(dummy_input, onnx_path):# 1、原始torch模型加载和推理origin_model = load_torch_model(model_path)input_sample_tensor = dummy_inputif isinstance(dummy_input, np.ndarray):input_sample_tensor = torch.from_numpy(dummy_input).to(device)torch_out = origin_model(input_sample_tensor).detach().numpy()# 2、onnx模型加载和推理ort_outs = onnx_model_predict(onnx_path, dummy_input)# 3、结果对比# todo 使用numpy的测试工具，检查两个数组是否在给定的相对和绝对误差范围内相等。np.testing.assert_allclose是一个测试断言语句，如果检查失败（即输出不在指定误差范围内），将引发 AssertionError，从而提示测试失败。# （1）检查形状：确保 torch_out 和 ort_outs[0] 的形状相同。 （2）检查数值相等性： 对每个对应的元素，检查其数值是否在相对误差 (rtol) 和绝对误差 (atol) 允许的范围内。np.testing.assert_allclose(torch_out, ort_outs[0], rtol=1e-01, atol=1e-5)print(torch_out[:10])print(ort_outs[0][:10])print("convert success")if __name__ == "__main__":# #（方案1）随机型：在测试转换前后的误差时，需要传递同一输入值# input_sample = np.random.randn(*input_shape).astype(np.float32)# # （方案2）固定值型device = torch.device("cuda" if torch.cuda.is_available() else "cpu")dummy_input = np.ones(input_shape).astype(np.long)# 普通模型转onnxtorch2onnx(dummy_input)# 简单测试转换前后的精度差异onnx_predict(dummy_input, onnx_path)
1.3 onnx转om
具体指令参考 昇腾社区简单ATC转换案例
1.4 om推理
这篇关于学习笔记：在华为昇腾NPU上进行深度学习项目【未完待续】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
