【经验分享】MindStudio基于AscendCL应用开发流程

最新推荐文章于 2023-04-18 15:33:10 发布
最新推荐文章于 2023-04-18 15:33:10 发布
阅读量1k 收藏 5
点赞数
文章标签： python 开发语言 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42266398/article/details/125785746
版权

本教程配套有视频教程，详情请见：
哔哩哔哩视频链接： https://www.bilibili.com/video/bv1jN4y1T7Nf?vd_source=239e2a092790e50cd9036e56c5cba9c6

1. AscendCL应用简介

AscendCL（Ascend Computing Language）提供Device管理、Context管理、Stream管理、内存管理、模型加载与执行、算子加载与执行、媒体数据处理等C语言API库供用户开发深度神经网络应用，用于实现目标识别、图像分类等功能。用户可以通过第三方框架调用AscendCL接口，以便使用昇腾AI处理器的计算能力；用户还可以使用AscendCL封装实现第三方lib库，以便提供昇腾AI处理器的运行管理、资源管理能力。
在运行应用时，AscendCL调用GE执行器提供的接口实现模型和算子的加载与执行、调用运行管理器的接口实现Device管理/Context管理/Stream管理/内存管理等。
计算资源层是昇腾AI处理器的硬件算力基础，主要完成神经网络的矩阵相关计算、完成控制算子/标量/向量等通用计算和执行控制功能、完成图像和视频数据的预处理，为深度神经网络计算提供了执行上的保障。
图 1 逻辑架构图
在这里插入图片描述

2. Windows安装MindStudio

MindStudio可以单独安装在Windows上。在安装MindStudio前需要在Linux服务器上安装部署好Ascend-cann-toolkit开发套件包，之后在Windows上安装MindStudio，安装完成后通过配置远程连接的方式建立MindStudio所在的Windows服务器与Ascend-cann-toolkit开发套件包所在的Linux服务器的连接，实现全流程开发功能。具体安装流程可以参考Windows安装MindStudio（https://support.huaweicloud.com/devg-mindstudio304/atlasms_02_0019.html），MindStudio环境搭建指导视频（https://bbs.huaweicloud.com/forum/forum/thread-183030-1-1.html）。
本文教程基于MindStudio5.0.RC1 x64，CANN版本5.1.RC1实现。

3. 创建应用工程

3.1 新建应用工程方式

步骤一 进入工程创建页面。
首次登录MindStudio：单击New Project。
非首次登录MindStudio：在顶部菜单栏中选择File > New > Project…。
步骤二 在New Project窗口中，选择Ascend App，按图2配置工程。
图 2 工程创建图
在这里插入图片描述

图 3 新建配置服务器
在这里插入图片描述

图 4 服务器配置
在这里插入图片描述

图 5 选择远程CANN安装位置
在这里插入图片描述

非root用户按实际情况选择CANN安装路径，这里以root用户为例。上述配置完成我们点击Finish等待CANN环境导入完成然后点击Next。
步骤三 在New Project窗口中，选择工程类型。
图 6 选择项目类型
在这里插入图片描述

Acl Project为AscendCL空白工程，仅包括开发框架的工程，不含具体的代码逻辑。
Acl ResNet-50为AscendCL样例工程，是以acl_resnet50样例为模板的工程。
acl_resnet50样例主要是基于Caffe ResNet-50网络（单输入、单Batch）实现图片分类的功能。将Caffe ResNet-50网络的模型文件转换为适配昇腾AI处理器的离线模型（.om文件），在样例中，加载该om文件，对用户自己准备的若干张.jpg图片进行同步推理，此处以2张图片为例，可以自行准备多张，只需要修改相应代码即可，分别得到推理结果后，再对推理结果进行处理，输出top5置信度的类别标识。
图 7 ResNet-50推理过程
在这里插入图片描述

步骤四 单击Finish，完成工程创建。成功创建工程后，工程目录的主要结构如下，请以实际获取为准。
Acl Project（C/C++）：
├── 工程名
│ ├── .idea //IntelliJ IDEA自动创建的，用于存放项目的配置信息。
│ ├── build
│ │ ├──cmake //存放cmake依赖文件
│ ├── out //存放编译出的可执行文件。
│ ├── src
│ │ ├── CMakeLists.txt //编译脚本
│ │ ├── main.cpp //主函数的实现文件，当前主函数内无代码逻辑
│ ├── .project //工程信息文件，包含工程类型、工程描述、运行目标设备类型以及CANN版本。
│ ├── CMakeLists.txt //编译脚本，调用src目录下的CMakeLists文件。
│ ├── 工程名.iml //IntelliJ IDEA自动创建的模块文件，用于Java应用开发，存储一些模块开发相关的信息。

Acl Project（Python）：无代码目录。
 
Acl ResNet-50（C++）：
├── 工程名
│ ├── .idea //IntelliJ IDEA自动创建的，用于存放项目的配置信息。
│ ├── build
│ │ ├──cmake //存放cmake依赖文件
│ ├── data
│ ├── model
│ ├── inc
│ │ ├── model_process.h //声明模型处理相关函数的头文件
│ │ ├── sample_process.h //声明资源初始化/销毁相关函数的头文件
│ │ ├── utils.h //声明公共函数（例如：文件读取函数）的头文件
│ ├── out //存放编译出的可执行文件
│ ├── script
│ │ ├── transferPic.py //将*.jpg转换为*.bin，同时将图片从1024683的分辨率缩放为224224
│ ├── src
│ │ ├── acl.json //系统初始化的配置文件
│ │ ├── CMakeLists.txt //编译脚本
│ │ ├── main.cpp //主函数，图片分类功能的实现文件
│ │ ├── model_process.cpp //模型处理相关函数的实现文件
│ │ ├── sample_process.cpp //资源初始化/销毁相关函数的实现文件
│ │ ├── utils.cpp //公共函数（例如：文件读取函数）的实现文件
│ ├── .project //工程信息文件，包含工程类型、工程描述、运行目标设备类型、CANN版本号等
│ ├── CMakeLists.txt //编译脚本，调用src目录下的CMakeLists文件
│ ├── 工程名.iml //IntelliJ IDEA自动创建的模块文件，用于Java应用开发，存储一些模块开发相关的信息。
│ ├── readme.md //样例工程的readme文件
 
Acl ResNet-50（Python）：
├── 工程名
│ ├── .idea //IntelliJ IDEA自动创建的，用于存放项目的配置信息。
│ ├── data
│ ├── model
│ ├── src
│ │ ├── acl_net.py //运行文件
│ │ ├── constant.py //常量定义。
│ ├── .project //工程信息文件，包含工程类型、工程描述、运行目标设备类型以及CANN版本。
│ ├── 工程名.iml //IntelliJ IDEA自动创建的模块文件，用于Java应用开发，存储一些模块开发相关的信息。
3.2 导入应用工程方式
步骤一 导入工程文件。
首次登录MindStudio：在MindStudio欢迎界面中单击“Open”，选择需要导入的工程，单击“OK”确认导入。
进入工程创建页面，在顶部菜单栏中选择File > Open…，选择现有工程打开。
步骤二 若工作窗口已打开其他工程，会出现如图所示提示。
选择“This Window”，则直接在当前工作窗口打开新创建的工程；选择“New Window”，则新建一个工作窗口打开新创建的工程。
图 8 导入工程提示

4. 准备模型文件和数据

4.1 创建Acl Project工程时

根据实际应用的场景，添加用于推理的模型文件和图片数据集。
步骤一 转换模型（具体步骤参见后文章节4.3模型转换内容）。
在添加模型文件前，您需要先参见模型转换将第三方模型转换为适配昇腾AI处理器的离线模型（*.om文件）。
步骤二 添加模型文件。
请用户自行将准备好的模型om文件上传到创建的工程中。
步骤三 准备推理数据。
准备推理所用数据，并上传到应用工程文件目录下。

4.2 创建Acl ResNet-50工程时

4.2.1 RestNet-50模型介绍
本次实验我们的目标是在MindStudio上使用ResNet进行图像分类任务。ResNet曾在ILSVRC2015比赛中取得冠军，在图像分类上具有很大的潜力。 ResNet的主要思想是在网络中增加了直连通道，使得原始输入信息能够直接传输到后面的层中，ResNet的残差块的结构如下图所示。
图 9 RestNet残差块结构
在这里插入图片描述

ResNet会重复将残差块串联，形成多层网络。一般常见的ResNet根据层数的大小ResNet-18，ResNet-34，ResNet-50，ResNet-101等等。后面的数字代表网络的层数，此次实验以RestNet50训练模型作为演示对象。
4.2.2 开发步骤
步骤一 准备数据。
您可以从以下链接中获取ResNet-50网络的模型文件（.prototxt）、预训练模型文件（.caffemodel），并以MindStudio安装用户将获取的文件上传至MindStudio安装服务器。
ResNet-50网络的模型文件（.prototxt）：单击https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/resnet50/resnet50.prototxt下载该文件。
ResNet-50网络的预训练模型文件（.caffemodel）：单击https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/resnet50/resnet50.caffemodel下载该文件。
步骤二 转换模型。
在添加模型文件前，您需要先将第三方模型转换为适配昇腾AI处理器的离线模型（*.om文件）。详情请参见后文章节4.3模型转换内容。
步骤三 （可选）如果需要使用dump功能。

  1. 打开MindStudio，选择“Ascend > Dump Configuration”菜单，弹出“Select Offline Model”窗口，如图10所示。
    图 10 选择模型
    在这里插入图片描述

  2. 选择.om模型文件，单击“OK”，展示模型文件结构，设置dump开关。如图11所示。
    如果涉及多个模型需要dump数据，则需要分别设置各个模型文件的dump配置项。
    当使用相同系列网络模型时，可能会存在因模型的Model Name值相同，造成生成的acl.json文件中dump配置混淆。
    例如，先使用yolov2进行了dump配置，然后又使用yolov3，此时虽然未对yolov3配置，但acl.json文件中已经记录了yolov2的dump配置，又因为yolov2与yolov3的Model Name值相同，这样就会出现yolov3继承了yolov2的配置。
    因此，当存在因使用相同系列网络模型造成Model Name相同时，可以通过修改Caffe模型文件prototxt中的name字段值并重新进行模型转换，使得系列模型的name字段值不同；也可以在dump配置时先选择None进行清理之前的配置，再次重新进行dump配置。
    图 11 dump配置
    在这里插入图片描述

通过窗口右侧配置项，设置.om模型文件的dump配置项。
Dump Option：配置dump范围。
ALL：所有算子开启dump。
不具有输出的TBE算子、AI CPU算子，如StreamActive、NetOutput、Send、Recv、const等不会生成dump数据。
Several：自定义部分算子开启dump。
选择该项后，需要右键单击待dump数据的算子并选择“Enable Dump”。
对于关联的算子需要同时开启或关闭dump：通过ATC解析om模型文件得到算子之间的映射关系，识别出是新增算子、一对多、多对一、多对多、L1 Batch等关系。
const算子不支持开启dump。
采用dump部分算子场景下，因data算子不会在AI CPU或AI Core上执行，如果用户dump data节点算子，需要一并选择dump data节点算子的后继节点，才能dump出data节点算子数据。
不具有输出的TBE算子、AI CPU算子，如StreamActive、Send、Recv、const等不会生成dump数据；编译后的模型中部分算子并不会在AI CPU或AI Core执行，如concatD类型算子，则无法生成dump数据。
None：所有算子不开启dump。

Dump Mode：dump数据模式。
Input：dump算子的输入数据。
Output：dump算子的输出数据。
All：同时dump算子的输入、输出数据。

Dump Path：配置保存dump数据文件的路径，默认为：{project_path}/dump。如果Dump Path设置为其他路径，需要确保MindStudio安装用户对该路径具有读写权限。

AclConfig File：Acl配置文件，在dump操作中该文件保存算子的dump配置信息。一般路径为{project_path}/src/acl.json，实际路径可以在{project_path}/.project文件中查找。格式如图12或图13所示。当选择整个模型dump时，不含layer字段。
图 12 整网所有算子开启dump
在这里插入图片描述

图 13 部分算子开启dump
在这里插入图片描述

  1. 设置dump完成后，分别单击MindStudio界面“Build”和“Run”菜单，重新编译和运行应用工程。（建议先检查工程文件代码，确保正确引用了设置dump配置的.om模型文件。例如检查aclmdlLoadFromFile()函数或aclmdlLoadFromFileWithMem()函数。）
    工程运行完毕后，可以在{project_path}/dump路径下查看到生成的dump数据文件。生成的路径及格式说明：
    time：dump数据回传落盘时间。格式为：YYYYMMDDhhmmss。
    device_id：Device设备ID号。
    model_name：模型名称。
    model_id：模型ID号。
    data_index：针对每个Task ID执行的次数维护一个序号，从0开始计数，该Task每dump一次数据，序号递增1。
    dump文件：命名规则如{op_type}.{op_name}.{taskid}.{timestamp}。
    如果model_name、op_type、op_name出现了“.”、“/”、“\”、空格时，转换为下划线表示。
    图 14 dump结果
    在这里插入图片描述

步骤四 准备推理数据。
Linux使用场景请参照创建的应用工程根目下的README_CN.md文件中的“编译运行”下的“准备输入图片”，准备输入图片。
Windows使用场景下，也可以执行以下步骤转换图片格式。
首先我们将图片存放至项目data文件夹，结果如图 15所示。
图 15 图片存放路径
在这里插入图片描述

右键单击data文件夹，依次选择 Open in -> Terminal。
图 16 开启终端
在这里插入图片描述

在终端执行python …\script\transfer_pic.py 命令，提示操作成功证明数据准备完成。
图 17 执行图形处理脚本
在这里插入图片描述

图 18 图形处理结果
在这里插入图片描述

4.3 模型转换

用户使用Caffe/TensorFlow等框架训练好的模型，可通过ATC工具将其转换为昇腾AI处理器支持的离线模型，模型转换过程中可以实现算子调度的优化、权重数据重排、内存使用优化等，可以脱离设备完成模型的预处理，详细架构如图 19所示。
图 19 ATC工具功能架构
在这里插入图片描述

首先找到MindStudio顶部工具栏，选择如下Model Converter图标。
图 20 选择模型转换图标
在这里插入图片描述

图 21 选择模型存放位置

在这里插入图片描述

图 22 确定模型存放位置
在这里插入图片描述

配置完成后，点击OK，此处注意可能等待时间较长，我们无需操作，等待软件加载完成即可。

模型加载完成后如图23所示：

图 23 加载完成图示
在这里插入图片描述

点击Next继续操作。
图 24 中间过程一
在这里插入图片描述

继续单击Next。

图 25 中间过程二
在这里插入图片描述

点击Finish。

图 26 转换完成图
在这里插入图片描述

此时MindStudio控制台会有日志输出，当提示模型转换完成后，我们在指定model路径下便可以得到转换好的模型，效果如图。
图 27 模型存放位置
在这里插入图片描述

  1. 应用开发
    创建应用工程后，工程的src目录下自带应用的模板代码，包含系统初始化、模型执行、模型卸载、资源销毁等代码，若想直接使用src目录下的*.cpp模板代码，则只需按照模型文件和图片的名称、所在的路径修改sample_process.cpp中的如下代码，此处只能设置相对路径，不能设置绝对路径。
  2. 请根据实际情况，修改图片文件的名称以及路径。
    //此处的…表示相对路径，相对可执行文件所在的目录
    //例如，编译出来的可执行文件存放在out目录下，此处的…就表示out目录的上一级目录
    string testFile[] = {
    “…/data/dog1_1024_683.bin”,
    “…/data/dog2_1024_683.bin”
    };

图 28 配置图片路径
在这里插入图片描述

  1. 请根据实际情况，修改*.om模型文件的名称。
    //此处的…表示相对路径，相对可执行文件所在的目录
    //例如，编译出来的可执行文件存放在out目录下，此处的…就表示out目录的上一级目录
    const char* omModelPath = “…/model/resnet50.om”;

图 29 配置模型路径
在这里插入图片描述

6. 编译与运行工程

6.1 C++实现

6.1.1 项目编译
a. 在MindStudio工程界面，依次选择“Build > Edit Build Configuration…”，进入编译配置页面（如Windows场景编译运行，图为配置示例），配置完成后单击“OK”保存编译配置。
图 30 编译参数配置
在这里插入图片描述

b. 在MindStudio工程界面，依次选择“Build > Build > Restnet50(上面编译配置里面的Name)”，或者直接点击上方工具栏锤子图标。编译过程不报错提示Done则证明编译完成。

图 31 编译完成图示
在这里插入图片描述

6.1.2 项目运行
a. 在MindStudio工程界面，依次选择“Run > Edit Configurations…”，进入运行配置页面。
b. 选择“Ascend App > 工程名”配置应用工程运行参数。
图 32 运行参数配置
在这里插入图片描述

相关配置参数如下所示：
在这里插入图片描述

通过Deployment功能可以将指定的文件、文件夹同步到远程指定机器的指定目录。

  1. 在菜单栏选择File > Settings…。在左边的导航栏选择“Tools > Deployment”，进入图33。
    图 33 Deployment界面
    在这里插入图片描述

相关参数及图标说明如下：
在这里插入图片描述

  1. 配置远程服务器连接。
    图 34 Connection
    在这里插入图片描述

相关参数及图标说明如下：
在这里插入图片描述

  1. （必选）配置映射路径关系。
    图 35 Mappings
    在这里插入图片描述

相关参数及图标说明如下：
在这里插入图片描述

  1. （可选）配置排除路径信息，用户根据需要配置。
    图 36 Excluded Paths
    在这里插入图片描述

相关参数及图标说明如下：
在这里插入图片描述

  1. 单击“Apply”，Deployment配置生效。
    当在使用run/debug项目时，会触发Deployment同步功能。
    如果需要自动触发Deployment功能，可进行如下操作实现：
    1.在菜单栏选择File > Settings… 。
    在左边的导航栏选择“Tools > Deployment”进入Deployment界面，将指定远程服务器信息为默认远程服务器。
    2.在菜单栏选择“Tools > Deployment > Automatic Upload”。
    注意：针对上传过程，deployment会将mapping中的“Local Path”完全映射于对应的“Deployment Path”，若本地有a、b和c文件，而远端“Deployment Path”中有d文件，上传的结果是远端对应目录下只有a、b和c文件，d文件会被删除。针对下载过程，不会使用完全映射过程，如远端有a、b、c文件，本地有d文件，下载的结果是本地对应目录存在a、b、c和d文件。

c. 配置完成后，单击“Apply”保存运行配置，单击“OK”，关闭运行配置窗口。
d. 在MindStudio工程界面，依次选择“Run > Run…”。在弹出框中选择已创建好的运行配置信息，运行应用。如果在运行过程中无错误提示，且提示“Running *** finished”，则表示运行结束。如果运行过程中有错误提示，且需要查看运行环境的详细日志时，请参见准备文档中的《日志参考》：
可参见“日志文件介绍”查看日志，日志文件路径默认为“$HOME/ascend/log ”。
可参见“设置日志级别”查看或修改日志级别（默认为ERROR）。
 
图 37 运行结果
在这里插入图片描述

运行结果中我们可以得到输入图片置信度最高的5个分类，则证明整个项目配置编译运行完成。

6.2 Python实现

步骤一 模型转换以及准备数据参见章节4准备模型文件和数据。将数据以及模型文件添加到data以及model目录。目录结构如下图所示。
图 38 Python实现目录结构
在这里插入图片描述

步骤二 配置运行参数，可执行文件指向src目录下的acl_net.py文件。具体配置如下图。
图 39 Python运行参数配置
在这里插入图片描述

更多配置信息见此表。
在这里插入图片描述

步骤三 运行工程，在MindStudio工程界面，依次选择“Run > Run…”。在弹出框中选择已创建好的运行配置信息，运行应用。运行结果如下图。
图 40 Python实现运行结果
在这里插入图片描述

7. FAQ

  1. 基于C++实现以及基于Python实现，两者实现最大的区别在哪？
    答：C++实现需要经过编译运行后才能运行，Python实现配置好即可运行，无需编译操作。

  2. 程序提示运行完成，但是没有结果输出，可能是哪里有问题？
    在这里插入图片描述

答：如上图输出日志所示，我们配置的可执行文件路径指向了.keep，并非编译后的可执行文件，重新配置，指向out路径下的可执行main文件即可。

  1. 运行时出现如下的错误，可能是什么问题？
    在这里插入图片描述

答：如上图报错信息所示，服务器无法连接，需要检查服务器连接情况，修改服务器密码或其他信息后再次执行运行操作即可。

8. 从昇腾官方体验更多内容

更多的疑问和信息可以在昇腾论坛进行讨论和交流：https://bbs.huaweicloud.com/forum/forum-726-1.html

香菜当饭吃
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
使用MindStudio进行MindX SDK SE-Resnet50应用开发.docx
10-30
本图文案例重点分析和展MindX SDK Se-Resnet50开发流程：创建工程;代码开发并且分享模型代码网址，并解释关键代码构成;数据准备及模型准备，模型转换功能介绍;运行测试
使用MindStudio完成en-PP-OCRv3-rec模型开发
11-19
本文主要介绍通过MindStudio全流程开发工具链，将PaddlePaddle模型转成om模型，并在昇腾环境上进行推理的流程
如何用AscendCL的接口开发网络模型推理场景下应用？
华为云官方博客
09-05 866
本期我们来深入讲解网络模型推理场景下，具体怎么做。
【2023 · CANN训练营第一季】：AscendCL应用开发深入讲解 基础知识介绍
weixin_42010722的博客
04-18 1165
昇腾（Ascend）CANN（Compute Architecture for Neural Networks）是华为推出的一款面向AI处理器的软件开发工具包，用于支持各种AI应用的开发和部署。它的深度神经网络应用开发流程可以分为以下几个主要步骤其流程如下图所示通过以上五个步骤，用户可以使用昇腾CANN工具包开发、部署并优化针对昇腾AI处理器的深度神经网络应用程序文本主要讲解ATC和开发应用程序的部分内容。
【MindStudio训练营第一季】什么是AscendCL？
Liangweiyan1034的博客
12-19 900
详解AscendCL语言
【MindStudio训练营第一期】Ascend CL应用开发
qq_43280580的博客
12-29 304
【MindStudio训练营第一季】Ascend CL应用开发
软件开发流程
09-19 685
迭代化软件开发技术 1. 传统开发流程的问题传统的软件开发流程是一个文档驱动的流程，它将整个软件开发过程划分为顺序相接的几个阶段，每个阶段都必需完成全部规定的任务（文档）后才能够进入下一个阶段。如必须完成全部的系统需求规格说明书之后才能够进入概要设计阶段，编码必需在系统设计完成之
MindStudio使用手册_python_mindstudio_Midstudio软件使用手册_
09-29
Mindstudio是华为昇腾开发的一款python编程软件平台
jbr库用于MindStudio安装用
01-06
jbr库用于MindStudio安装用
05-基于全栈开发工具链Mind Studio进行AI开发实践.pdf
11-14
(昇腾沙龙PPT)Mind Studio是面向Ascend芯片的全栈开发工具链,提供面向AI算子开发、模型开发、应用开发的全栈全场景支持,AI全栈开发典型场景,
一文带你认识AscendCL
华为云官方博客
09-02 1880
AscendCL（Ascend Computing Language，昇腾计算语言）是昇腾计算开放编程框架，是对底层昇腾计算服务接口的封装。
【SDK案例系列 11】基于 MindX SDK + 文字识别、目标分类、目标检测的多模型推理
Ascend的博客
01-07 2405
Pytorch CRNN YoloV5 Resnet50
在Atlas 200 DK（Soc=Ascend 310）快速上手自定义模型训练、部署与推理
Aiooooooooo的博客
11-01 2318
（《Atlas 200 DK V100R020C10 应用开发指南（Python）》；《Atlas 200 DK V100R020C10 IR 模型构建指南》；《TBE 自定义算子开发指导_C75 TBE 自定义算子开发指导_C75》；《Atlas 200 DK V100R020C10 开发辅助工具使用指南》；《CANN 5.0.4 应用软件开发指南 (Python, 推理)》
【CANN训练营第三季】昇腾AI入门课知识点整理和汇总
weixin_48453538的博客
12-19 1042
【CANN训练营第三季】昇腾AI入门课知识点整理和汇总
Caffe转om模型遇到的问题（更新中，基本都是全网首发内容）
weixin_42981609的博客
10-10 559
具体原因进来细锁
基于昇腾CANN的推理应用开发--语义分割（Python）
qq_40679625的博客
06-05 784
基于 Python 开发，通过网络模型加载、推理、结果输出的部署全流程展示，快速熟悉并掌握语义分割基本开发流程。
mindspore| lenet模型 推理过程记录
白白白
09-28 1221
<一>、离线模型转换 使用ATC工具将air文件转换为om文件 atc --mode=0 --model=/home/test/ww.air --framework=1 --output=/home/test/out/lenet --soc_version=Ascend310 参数说明： --mode=0 0表示转为离线om模型 --model 待转文件路径与文件名。 --framework=1 ...
一文带你熟悉Pytorch-＞Caffe-＞om模型转换流程
华为云官方博客
02-22 3277
摘要：本文旨在分享Pytorch->Caffe->om模型转换流程。 标准网络 Baseline：PytorchToCaffe 主要功能代码在： PytorchToCaffe +-- Caffe | +-- caffe.proto | +-- layer_param.py +-- example | +-- resnet_pytorch_2_caffe.py +-- pytorch_to_caffe.py 直接使用可以参考resnet_pytorch_2_caffe.py
了解AscendCL数据预处理的两种方式：AIPP和DVPP
m0_71340392的博客
03-17 1223
本文介绍了昇腾CANN提供的两种数据预处理的方式：DVPP和AIPP，介绍了两者的功能、差别及联系，并以具体代码示例介绍了如何使用DVPP和AIPP的功能。
mindstudio安装步骤
最新发布
10-31
MindStudio是一种开发工具，用于开发和调试人工智能应用程序。以下是MindStudio安装的步骤： 步骤1：下载MindStudio安装包 首先，需要去MindSpore官方网站（https://www.mindspore.cn/）下载MindStudio的安装包。选择与你的操作系统兼容的版本，然后点击下载。 步骤2：安装MindStudio 下载完成后，打开下载文件，并按照安装向导的指示进行安装。首先，选择安装位置，可以使用默认路径或选择自定义路径。然后，点击"下一步"继续安装。 步骤3：选择安装组件 在这一步，你可以选择需要安装的组件。根据你的需求，勾选你所需要的组件，例如MindInsight、MindSpore等等。然后，点击"下一步"继续。 步骤4：确认安装 在这一步，你可以查看安装的摘要，包括安装位置和所选的组件。如果一切正常，点击"下一步"继续。 步骤5：安装MindStudio 现在，点击"安装"按钮开始进行安装。安装过程可能需要一些时间，耐心等待安装完成。 步骤6：完成安装 安装完成后，将显示安装成功的提示。点击"完成"按钮退出安装向导。 至此，你已经成功安装了MindStudio。现在，你可以打开MindStudio并开始使用它来开发和调试人工智能应用程序了。希望对你有所帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值