【CANN训练营第三季】新手班结业考核笔记

作业一

实战场景：

下载基于Caffe ResNet-50网络实现图片分类（仅推理）样例应用的源码，并参考Readme成功编译、运行应用，体验基础推理过程。

评分细则：

使用atc工具转换模型，提供转换命令及转换成功的截图。

使用转换后的模型，重新编译运行样例应用（基于Caffe ResNet-50网络实现图片分类（仅推理）），提交成功编译运行应用的截图。

总结实战过程中遇到的问题及解决方法，并提交总结。

优化样例应用，包括优化代码逻辑、优化代码注释、补充代码注释等，提交优化后的源码、优化思路说明、优化位置说明。

评分一和评分二：

1.连接华为云服务器并克隆下载samples代码库

git clone https://gitee.com/ascend/samples.git

2.切换用户及目录（因为cann装在该用户下）

cd /home/
su - HwHiAiUser
source ~/Ascend/ascend-toolkit/set_env.sh
cd samples/cplusplus/level2_simple_inference/1_classification/
resnet50_imagenet_classification

3.切换到/caffe_model目录下使用wget命令会下载到当前目录

wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/resnet50/resnet50.prototxt
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/resnet50/resnet50.caffemodel

4.转换模型

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

5.下载图片并转换为bin文件

请从以下链接获取该样例的输入图片，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。

wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog2_1024_683.jpg

6.编译运行

6.1请先进入“cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification”样例目录

6.2设置环境变量，配置程序编译依赖的头文件与库文件路径。

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

6.3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

6.4切换到“build/intermediates/host“目录，执行如下命令生成编译文件。

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

6.5执行如下命令，生成的可执行文件main在“样例目录/out“目录下。

make

6.6切换到可执行文件main所在的目录，例如“$HOME/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification/out”，运行可执行文件。

./main

遇到的问题：
执行环境设置时，报错

报错原因：

查看Ubuntu系统/bin/sh的实际链接，发现使用的是dash，而source xxx.sh或者. xxx.sh命令需要使用bash解析器，因此出现报错。

解决办法：

Ubuntu下shell执行source命令报source: not found问题处理

作业二

基于Caffe ResNet-50网络实现图片分类（仅推理）样例，更换为ResNet-101分类模型。更换同类模型时，由于模型的输入、输出相似，所以源码基本可以复用，只需更换模型即可。

定制点说明如下

下载ResNet-101模型（resnet101_tf.pb），放到resnet50_imagenet_classification样例的caffe_model目录（表示原始模型的存放路径），执行以下命令转换模型，在output参数处指定的model目录下获取resnet101_tf.om：

atc --model=caffe_model/resnet101_tf.pb --framework=3 --output=model/resnet101_tf --output_type=FP32 --soc_version=Ascend310 --input_shape="input:1,224,224,3" --log=info

生成测试数据

进入resnet50_imagenet_classification样例的script目录，修改transferPic.py脚本中的如下内容，将float16改为float32：
img = img.astype(“float16”)修改后:img = img.astype(“float32”)
切换到“resnet50_imagenet_classification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1024683的分辨率缩放为224224。在“resnet50_imagenet_classification样例目录/data“目录下生成2个*.bin测试文件。

python3 …/script/transferPic.py

调用AscendCL接口（例如aclmdlLoadFromFileWithMem接口）加载ResNet-101模型：

在src/sample_process.cpp文件中定制代码。

参考Caffe ResNet-50网络实现图片分类（仅推理）样例的readme，重新编译并运行。

评分细则：

使用atc工具转换模型，提供转换命令及转换成功的截图。（5分）

使用转换后的模型、定制后的代码，重新编译运行应用，提交成功编译运行应用的截图。（10分）

总结实战过程中遇到的问题及解决方法，并提交总结。（5分）

评分一：

同作业一中，下载好模型后，执行上述ATC模型转换命令即可

评分二：

修改sample_process.cpp中om模型的位置

作业三
使用Pytorch实现LeNet网络的minist手写数字识别。

硬件平台不限，可以基于windows或者linux系统，尽量给出整个过程的截图，并在最后给出loss或者accuracy运行结果，提供打印loss和accuracy日志，给出截图。参考链接Github：https://github.com/allegrofb/LeNet.git

**答：**根据链接中的文件，设置好训练参数等，运行训练脚本即可

作业四

采用课程中学习到的手工或者自动迁移方式，将上述脚本迁移到昇腾npu上，单机单卡，提供迁移脚本，突出关键点并截图

**答：**自动迁移，仅PyTorch 1.8.1版本及以上使用，自动迁移方式较简单，只需在训练脚本中添加引入几行代码。

import torch_npu      
from torch_npu.contrib import transfer_to_npu 

作业五

提供使用ddp迁移的单机8卡的训练脚本，无需运行，提供修改后的脚本，并突出关键点