赞
踩
当我们谈到香橙派AIPro的时候,总会把她和昇腾生态关联起来,因为在昇腾芯片的加持下,这款开发板有着出色的算力,被众多开发者追捧。而谈到昇腾芯片,我们不得不提上层的 AI 异构计算架构 CANN。
异构计算架构CANN(Compute Architecture for Neural Networks)是华为针对AI场景推出的异构计算架构,向上支持多种AI框架,包括MindSpore、PyTorch、TensorFlow等,向下服务AI处理器与编程,发挥承上启下的关键作用,是提升昇腾AI处理器计算效率的关键平台。同时针对多样化应用场景,提供多层次编程接口,支持用户快速构建基于昇腾平台的AI应用和业务。
从上面的CANN 逻辑架构图中,我们可以看到 CANN 起到了一个重要的承上启下的作用,为下层的昇腾 AI 算力资源提供了统一的编程接口去调度,对上层适配了主流的 AI 框架,使得整个 AI 开发体系更加强壮。整个 CANN 的关键功能特性包括:
应用开发:简单来说,就是提供统一的API框架,实现对所有资源的调用。
模型开发:提供了模型迁移工具,支持将 PyTorch、TensorFlow等开源框架网络模型快速迁移到昇腾平台。
算子开发:提供了超过 1400 个硬件亲和的高性能算子,覆盖主流 AI 框架的算子加速需求,还支持自定义算子开发。
今天,我们的实践内容主要集中在应用开发和模型开发,我们训练一个手写体识别模型并进行推理。
MNIST数据集(Modified National Institute of Standards and Technology database)是一个用来训练各种图像处理系统的二进制图像数据集,广泛应用于机器学习中的训练和测试。
该数据集是从NIST的两个手写数字数据集:Special Database 3 和Special Database 1中分别取出部分图像,并经过一些图像处理后得到的。
MNIST数据集共有70000张图像,其中训练集60000张,测试集10000张。所有图像都是28×28的灰度图像,每张图像包含一个手写数字。
EMNIST全称为Extended MNIST,是NIST Special Database 19的扩展数据集,包含了字母和数字,比MNIST的内容更多。
EMNIST数据集主要分为以下几类:By_Class、By_Merge、Balanced、Digits、Letters和MNIST。
By_Class和By_Merge共有814255张图片,Balanced类有131600张图片,Digits类有28000张图片,Letters类有145600张图片,MNIST类有70000张图片。
这些数据集的处理方式跟MNIST保持一致,也是为了方便已经熟悉MNIST的开发者去使用。
Pytorch 训练基本流程是怎么样的?首先,我们训练的输入是我们的数据集,它包含了我们的图片和标签,标签就是表明图片的真实值是多少,比如说图片画的是0,那它的标签就是0;然后,我们对数据集进行处理,把它封装进 DataSet 的数据格式里, 主要用来下载数据集以及对数据集进行预处理,如 Resize、归一化等等,这些操作使用得当可以提升训练效果并加速训练,DataLoader 定义如何取数据,一个重要的参数是 batchsize ,它决定了我们每次训练他一次会取多少张图片, 比如 batchsize = 4 ,那么一次训练会取四张图片出来进行训练;接着就是前向传播,也就是让这个输入经过整个模型得到一个推理的结果,通过损失函数计算 loss 值,使用反向传播、权重更新来迭代模型,权重更新会用到优化器,也就是决定了我们权重更新是如何更新的,因此这里比较重要的参数就是我们的学习率,也就是 learning rate(lr),它决定了每一次训练权重更新的幅度是大还是小;最后就是训练结束保持模型。以 mnist 数据集为例,当我们设置epochs
为 5 、batchsize
为 64 时,这意味着我们将遍历整个训练集 5 次。在每个 “epoch” 中,我们都会遍历所有的批次(每个批次包含 64 个样本),对每个批次进行前向传播、计算损失、反向传播和更新权重。这样,模型就可以在每个 “epoch” 中学习到数据集中的信息,并逐步改进其预测性能。在每个 “epoch” 结束时,我们打印出平均损失,以便观察模型的学习过程。
综合上述,在 Pytorch 训练过程中,我们可以适当调整三个重要参数:batchsize、epoch、LR,除此之外,我们还可以尝试修改损失函数、优化器来调教模型。
将基于PyTorch的训练脚本迁移到昇腾AI处理器上进行训练,目前有以下3种方式:自动迁移(推荐)、工具迁移、手工迁移,且迁移前要保证该脚本能在GPU、CPU上运行。推荐用户使用最简单的自动迁移方式。
自动迁移
仅PyTorch 1.11.0版本及以上使用
- import torch
- import torch_npu
- .....
- from torch_npu.contrib import transfer_to_npu
工具迁移
工具迁移推荐使用命令行方式: msFmkTransplt
具体参考:
手工迁移
单卡迁移
导入NPU相关库
迁移适配GPU的模型脚本,指定NPU作为训练设备
替换CUDA接口:将训练脚本中的CUDA接口替换为NPU接口,例如CUDA接口、模型、损失函数、数据集等迁移到NPU上
多卡迁移
除单卡迁移包含的3个修改要点外,在分布式场景下,还需要切换通信方式,直接修改init_process_group的值。
自动混合精度(AMP)
推荐使用PyTorch1.11.0及以上版本框架内置的AMP功能模块来使能混合精度训练。
开发板:OrangePi AI Pro 8G
NPU:Ascend 310B4
CANN:7.0
Pytorch:2.1.0 + torchvision 0.16.0 + torch-npu 2.1.0rc1
本次实践代码来源于 Ascend 社区的仓库:https://gitee.com/ascend/EdgeAndRobotics/tree/master/Samples/HandWritingTrainAndInfer
- git clone https://gitee.com/ascend/EdgeAndRobotics
- cd EdgeAndRobotics/Samples/HandWritingTrainAndInfer
- # torch_npu由于需要源码编译,速度可能较慢,本样例提供 python3.9,torch2.1版本的torch_npu whl包
- wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/wanzutao/torch_npu-2.1.0rc1-cp39-cp39-linux_aarch64.whl
- # 使用pip命令安装
- pip3 install torch_npu-2.1.0rc1-cp39-cp39-linux_aarch64.whl
-
- # 安装其他依赖
- pip3 install -r requirements.txt # PyTorch2.1版本
python main-cpu.py
python main.py
我们从本案例看看 Pytroch 模型迁移训练,主要改动如下:
导入NPU相关库,
- import torch
- import torch_npu
- # 此处还导入 AMP 模块,训练时自动混合精度
- from torch_npu.npu import amp
迁移适配GPU的模型脚本,指定NPU作为训练设备
- device = torch.device('npu:0')
-
- #...
- imgs = imgs.to(device) # 把img数据放到指定NPU上
- labels = labels.to(device) # 把label数据放到指定NPU上
- #...
-
- #...
- # 把模型放到指定NPU上
- model = CNN().to(device)
- # 定义损失函数
- loss_func = nn.CrossEntropyLoss().to(device)
- #...
开启AMP进行训练
- for batch_idx,(imgs, labels) in enumerate(train_dataloader):
- data_time.update(time.time() - end)
- # 把img数据放到指定NPU上
- imgs = imgs.to(device)
- # 把label数据放到指定NPU上
- labels = labels.to(device)
- # 设置amp
- with amp.autocast():
- # 前向计算
- outputs = model(imgs)
- # 损失函数计算
- loss = criterion(outputs, labels)
- optimizer.zero_grad()
- # 进行反向传播前后的loss缩放、参数更新
- # loss缩放并反向转播
- scaler.scale(loss).backward()
- # 更新参数(自动unscaling)
- scaler.step(optimizer)
- # 基于动态Loss Scale更新loss_scaling系数
- scaler.update()
-
- #...
- scaler = amp.GradScaler() # 在模型、优化器定义之后,定义GradScaler
- #...
训练完成之后我们分别得到了 `mnist.pt` 和 `mnist-npu.pt` 。接着我们可以使用训练出来的模型进行推理,虽然我们可以直接用来推理,但业界常规的操作都是将 `.pt --> .onnx`,也许是 ONNX(Open Neural Network Exchange)是更具开放性的模型格式,它允许模型在不同的深度学习框架之间进行转换,更易于支持不同的硬件平台。
首先将 pt 模型导出为 onnx :
- import torch
- import torch.nn as nn
-
- # CNN类定义
- class CNN(nn.Module):
- def __init__(self):
- super(CNN, self).__init__()
- self.net = nn.Sequential(
- nn.Conv2d(in_channels = 1, out_channels = 16,
- kernel_size = (3, 3),
- stride = (1, 1),
- padding = 1),
- nn.MaxPool2d(kernel_size = 2),
- nn.Conv2d(16, 32, 3, 1, 1),
- nn.MaxPool2d(2),
- nn.Flatten(),
- nn.Linear(32*7*7, 16),
- nn.ReLU(),
- nn.Linear(16, 10)
- )
- def forward(self, x):
- return self.net(x)
-
- device = torch.device('cpu')
- # 加载训练的pt模型,如 mnist.pt
- model = torch.load("./mnist.pt",map_location=device)
- # 切换评估模式
- model.eval()
-
- # 指定输入输出节点名称
- input_names = ['input']
- output_names = ['output']
- # 构造输入
- x = torch.randn(1,1,28,28,requires_grad=True)
- # onnx导出
- torch.onnx.export(model, x, 'mnist.onnx', input_names=input_names, output_names=output_names, verbose='True')
执行 `python3 export.py `, 在当前路径下生成 mnist.onnx 模型
执行在线推理:
- # 下载测试图片,也可自行准备
- cd data
- wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/wanzutao/mnist/8.jpg
-
- # 执行推理在线
- cd ../onnxInfer/
- python3 infer.py
推理成功返回:
-
- [inferssession_time:326 pictures/s] [output:8]
先进行模型转换 `onnx -> om`: 使用 ATC 模型转换工具将模型转换为昇腾AI处理器能识别的模型(*.om)。
- # 获取测试图片数据
- cd omInfer/data
- wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/wanzutao/mnist/8.jpg
-
- # 拷贝模型
- cd ../model
- cp ../../mnist.onnx ./
-
- # 获取AIPP配置文件
- wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/wanzutao/mnist/ecs/aipp.cfg
- # 模型转换
- atc --model=mnist.onnx --framework=5 --insert_op_conf=aipp.cfg --output=mnist --soc_version=Ascend310B4
执行离线推理
- # 编译源码
- cd ../scripts
- bash sample_build.sh
-
- # 离线推理
- bash sample_run.sh
执行成功输出:
value[1.000000] output[8]
最后我们简单过一下 EMNIST 数据集训练,与 MNIST 不同点在于:
加入了验证集,且数据下载时添加 ` split="letters"`
神经网络有稍微调整:
- class CNN(nn.Module):
- def __init__(self):
- super(CNN, self).__init__()
- self.net = nn.Sequential(
- nn.Conv2d(in_channels = 1, out_channels = 16,
- kernel_size = (5, 5),
- stride = (1, 1),
- padding = 2),
- nn.ReLU(),
- nn.MaxPool2d(kernel_size = 2),
- nn.Conv2d(16, 32, 5, 1, 2),
- nn.ReLU(),
- nn.MaxPool2d(2),
- nn.Flatten(),
- nn.Linear(32*7*7, 27) # 索引从 1 开始,因此 26 个字母是 27
- )
- def forward(self, x):
- return self.net(x)
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。