先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前在阿里
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新Linux运维全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上运维知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
(1)安装官方docker
由于官方文档中表明需要ubuntu 22.04,我此时不满足这个要求,所以需要拉取SOPHON的docker镜像,他们的docker镜像里面环境都是配置好的。
- 如果之前在系统里面从来没有安装使用过docker,需要先安装docker,即在终端一次输入以下命令:
sudo apt install docker.io
sudo systemctl start docker
sudo systemctl enable docker
sudo groupadd docker
sudo usermod -aG docker $USER
newgrp docker
- 安装完docker之后,再拉取镜像
docker pull sophgo/tpuc_dev:v3.2
然后新建一个容器:
docker run --privileged --name myname -v $PWD:/workspace -it sophgo/tpuc_dev:v3.2
这里的myname可以自行修改,这里为了方便,我没有修改。
此时处于workspace状态,下面的操作也都是在workspace里面进行。
(2)安装tpu_mlir
根据官方文档,安装tpu_mlir有两种方式,如下图:
直接线上下载安装会比较慢,这里我选择第一种方式,先下载安装包,在使用pip安装。这里需要先把下载下来的安装包拷到docker里面去,由于第一次使用docker,命令不熟悉,所以过程比较笨拙。具体过程如下:
- 首先用之前右击tpu_mlir的方式重新打开一个终端,注意,安装mlir的那个终端不要关闭,此时又两个终端同时进行。
- 右击安装包,直接点复制,可以复制文件的绝对地址。
- 将其复制到镜像中,命令为
docker cp 文件地址 myname(容器名称):/要复制到的地址
我的命令为:
docker cp /home/ly/tpu_mlir/tpu_mlir-1.6-py3-none-any.whl myname:/workspace/tpu_mlir-1.6-py3-none-any.whl
- 回到安装mlir的终端:
- 使用ls命令查看镜像里面是否有安装包,然后使用pip install 命令安装:
至此环境安装成功。
3、ONNX模型编译和转换
(1)准备好文件
- 下载文件:
yolov5s.onnx : https://github.com/ultralytics/yolov5/releases/download/v6.0/yolov5s.onnx
tpu_mlir_resource : https://github.com/sophgo/tpu-mlir/releases/
这里注意,下载下来的文档名字是tpu-mlir-resource.tar,解压之后需要修改名称,中间的连接符修改为下划线:tpu_mlir_resource。和前面的操作相同,打开一个终端进行复制
- 文件复制
和上面的操作相同,重新打开一个终端进行复制操作。
回到安装的终端
先安装一下tpu_mlir[onnx],这一步忘了截屏,直接就是在workspace里面输入下面命令就可以了。
pip install tpu_mlir[onnx]
在docker中,新建文件夹model_yolov5s用于存放相关文件以及进行转换操作,并进入文件夹
mkdir model_yolov5s && cd model_yolov5s
将图片和模型复制到model_yolov5s文件夹中:
cp -rf tpu_mlir_resource/dataset/COCO2017 .
如果这里和我一样报错的话,需要先退出model_yolov5s文件夹,命令为: cd …
然后进行复制:
cp -rf yolov5s.onnx ./model_yolov5s
cp -rf tpu_mlir_resource/image ./model_yolov5s
cp -rf tpu_mlir_resource/dataset/COCO2017 ./model_yolov5s
注意:这里也可以先新建model_yolov5s文件夹,直接从本地使用docker cp命令到 model_yolov5s文件夹文件夹中。
新建workspace文件并进入:
mkdir workspace && cd workspace
(2)onnx模型转换成mlir模型
model_transform \
--model_name yolov5s \
--model_def ../yolov5s.onnx \
--input_shapes [[1,3,640,640]] \
--mean 0.0,0.0,0.0 \
--scale 0.0039216,0.0039216,0.0039216 \
--keep_aspect_ratio \
--pixel_format rgb \
--output_names 350,498,646 \
--test_input ../image/dog.jpg \
--test_result yolov5s_top_outputs.npz \
--mlir yolov5s.mlir
转换成功!转换成功之后会生成一个{model_name}_in_f32.npz文件。
(3)将mlir文件转换成f16的bmodel:
model_deploy \
--mlir yolov5s.mlir \
--quantize F16 \
--processor bm1684x \
--test_input yolov5s_in_f32.npz \
--test_reference yolov5s_top_outputs.npz \
--model yolov5s_1684x_f16.bmodel
转换成功。
(4)mlir量化int8:
通过calibration得到转换int8时的校准表:
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
8:
通过calibration得到转换int8时的校准表:
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!