HiSi 3516CV500 NNIE(Neural Network Inference Engine) 摸鱼记录(2) --- 模型生成及模型仿真(实例分析)

#PS：要转载请注明出处，本人版权所有

#PS:这个只是 《 我自己 》理解，如果和你的

#原则相冲突，请谅解，勿喷

背景

本文建立在上文环境配置的基础上继续。(上文链接：https://blog.csdn.net/u011728480/article/details/91125581)

本文将会以一个实例来进行分析。同时本文的教程都是建立在《HiSVP 开发指南.pdf》基础上的。

NNIE 模型生成

NNIE 新建工程

File 新建NNIE工程，选择MinGW GCC 空工程即可。

NNIE Mapper 配置文件建立

File 新建nnie mapper配置文件，如下图：

双击这个mapper文件，你可以进入配置页面，如下图，其相关的参数和选项要按照《HiSVP 开发指南.pdf》的NNIE mapper配置文件参数详解。

这里有几个地方要注意一下：
is_simulation 是生成功能仿真或者指令仿真模型。指令仿真模型就是最终到板子上的模型。
batch_num 对于forward来说，一般都是一张图像，这里选1就行了。
sparse_rate 先0不影响正常输出。
data_type 这里你一定要去看文档说明，弄清楚你的网络需要输入的是什么数据类型，有些在网络里面做了归一化，这里选U8，如果网络前面做归一化，这里就要选S32，其他类型，看文档。

NNIE 模型生成

在把NNIE Mapper配置配好了后，点击如下图的按钮即可生成对应的wk文件。

我这里就根据is_simulation生成了两种模型，功能仿真模型输出内容多。指令仿真模型输出基本保持和板子上是一致的。

NNIE 模型仿真工程搭建

这里，我们就不要做重复造轮子的工作，直接导入官方sample_simulator，然后在其基础上魔改就行了。

魔改切入点

在src目录，打开main.cpp，简单分析一波，根据我的网络特点，直接选择分类网络例子(svpsampleclassification.cpp)，复制为我的cpp和hpp。

其核心调用在仿真里面就两个函数:
HI_MPI_SVP_NNIE_Forward 网络forward
HI_MPI_SVP_NNIE_Query forward状态查询

其余的都是在准备数据和查看数据。这里你可以参考svpsampleclassification.cpp进行简化魔改即可。
需要注意的是：
HI_MPI_SVP_NNIE_Forward 的api参考文档中，有关于输入和输出数据的规格说明，别弄错了。

魔改好了，直接打印出最后一层的输出。

每一层的数据保存

这种方法适用于后续的向量对比，用于查看你生成的模型对不对。在sim_out的目录下有一个nnie_sim.ini配置文件，里面可以设置一些不错的参数。

双击后，可以界面设置：

这里必须勾上第一个，第二个建议勾上，这样跑的快点。第一个勾上后，会输出每一层的输出。
然后运行你魔改的程序，在sim_out下会出现如下图的内容（我这里我两种模型的仿真都做过了，所以有两种每一层网络的输出）：

网络标准输出

点这个，配置参数，然后输出你的caffe模型的每一层数据，用作后续的向量分析。


这里没什么注意的，自己配置好相关的内容即可。

这里执行后会在output dir 输出每一层caffe模型的forward输出
如下图：

向量对比

向量对比有什么作用，相比经常接触这方面的人会有感受，就是指你的模型输出对不对。比如：
caffe 的输出，nnie的输出到底能否对上，hisi提供了这样的一个工具。

一个选择caffe输出，一个选择仿真输出。对比即可。双击可以查看每一层的所有输出数据，这里我就直接看最后一层。


从最后一层的数据对比来看，基本偏差不大，因为后续还要继续对数据进行处理。这样的话，就证明了我的nnie模型至少现在看来没什么问题了。

注意事项

如果你的输出和标准caffe输出差的非常远，有70%的可能性是你输入数据不一致导致的，你要和算法他们详细沟通，并打印输入数据，经过实际对比，看看哪里有什么问题。

不一致的原因很多，一般来说就是图像通道对不上，预处理不一致等等。

#PS：请尊重原创，不喜勿喷

#PS：要转载请注明出处，本人版权所有.

有问题请留言，看到后我会第一时间回复