基于MindStudio完成ResNeXt10132x8d开

　　使用MindStudio进行Pytorch模型迁移以及推理MindStudio环境搭建
　　MindStudio是一套基于IntelliJ框架的开发工具链平台，提供了应用开发、调试、Profiling工具、模型转换、模型可视化功能，以及对开发者来说至关重要的精度对比、自定义算子开发等重要功能，同时还提供了网络移植、优化和分析功能，方便用户开发应用程序。
　　按照平台教程安装MindStudio即可完成本部分的环境搭建。模型简介
　　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。
　　ResNet会重复将残差块串联，形成多层网络。一般常见的ResNet根据层数的大小有ResNet18，ResNet34，ResNet50，ResNet101等等。创建推理工程
　　打开MindStudio，点击NewProject，进入新建工程界面。选择AscendAPP。填入项目名resNeXt10132x8d。首次新建训练工程时，需要配置CANN的版本。点击Change。
　　点击配置远程连接，然后根据选项填入自己服务器的ip地址、端口号、用户名和密码等。
　　配置RemoteCANNlocation。该参数需要填入ascendtoolkit在服务器上的路径地址。在这里，我们toolkit的路径如下usrlocalAscendascendtoolkit5。1。RC1。点击finishing进行配置。
　　点击Next，选择PytorchProject。
　　点击Finish，完成工程创建，进入工程主界面。将环境部署到远端
　　MindStudio可以支持实时将本地文件夹内容同步到服务器，可以达到像自己电脑上执行模型推理一样的效果，此过程需要两个步骤。点击FileSettingsTools，即可看到两个设置的入口。
　　配置ssh
　　首先点击SSHConfigurations，再点击配置远程连接，然后根据选项填入自己服务器的ip地址、端口号、用户名和密码。
　　部署本地文件夹
　　相当于将远端服务器的路径与本地的文件夹形成一个对应关系。Deployment配置能够更精准地连接远程服务，它需要选择一个SSH连接定位远程主机，然后设置本地与远程项目目录的对应关系。
　　首先选择连接哪一个SSH服务，然后测试连接是否可用。
　　下一步，设置项目目录映射关系，点击Mappings，然后选择本地的项目目录和远程的项目目录（最好是提前创建好文件夹），接下来跑代码的时候MindStudio会保证这两个目录文件的同步。
　　配置好Mappings后，建议配置ExcludedPaths，因为MindStudio的默认同步行为会把Mappings对应目录的文件保持完全相同，这意味着只存在于远程的数据集文件夹会被删除（如果本地没有数据集）。在此我配置了几个需要排除的文件夹目录。
　　配置python环境
　　点击FileProjectStructureSDKs可以看到如图所示的界面。点击号，可以新增pythonSDK和JDK。
　　点击AddPythonSDK后，将弹出下图所示的界面，点击左侧的SSHInterpreter，如下图所示，首先选择使用哪一个Deployment，这是刚刚我们配置过的。然后选择python解释器的路径。图中的路径是MindStudio自动检测出来的，但一般需要自己找自己的Python环境安装目录。
　　然后点击Project，选择刚才添加到MindStudio中的python解释器，将其作为本项目使用的解释器。数据预处理
　　首先执行数据预处理脚本imagetorchpreprocess。py，将原生的图片数据转换为bin格式的输入文件。
　　第一个参数为原始数据验证集（。jpeg）所在路径，第二个参数为输出的二进制文件（。bin）所在路径。每个图像对应生成一个二进制文件。
　　在预处理获得bin文件之后，再执行getinfo。py提取输入信息：
　　模型转换
　　模型转换主要分为两步，第一步是将原有的pth模型转换为通用的onnx模型，第二步是将onnx模型转化为npu适用的om模型。
　　首先调用python脚本将pth模型转换为onnx模型：
　　再使用ATC工具将onnx模型导出为om模型。MindStudio提供了atc工具的窗口化应用，它会根据用户选择自动生成atc指令。ModelConverter的入口如图所示：
　　选择onnx模型路径，模型输出名称，目标设备，输入格式和batchsize等信息。
　　本实验需要跑到不同的batchsize，这里只需要修改shape参数即可生成对应不同batchsize的om模型。
　　MindStudio自动生成如下atc指令，用户可以在此做最后的校验，点击Finish即可开始进行模型转换。
　　转换成功得到结果如下：
　　离线推理
　　使用benchmark工具进行推理，可以如图所示创建应用：
　　点击号，再点击AscendApp
　　按照自己的模型的相关信息进行填写即可。
　　在不同机器上执行效率对比如下表格：
　　Model
　　BatchSize
　　310p
　　310（FPSCard）
　　T4（FPSCard）
　　310p310
　　310pT4
　　ResNeXt101
　　1hr594。884
　　594。696
　　254。252
　　1。000
　　2。340
　　ResNeXt101
　　4hr566。742
　　674。64
　　486。656
　　0。840
　　1。160
　　ResNeXt101
　　8hr937。698
　　669。232
　　531。996
　　1。401
　　1。763
　　ResNeXt101
　　16hr1086。34
　　670。3
　　570。867
　　1。621
　　1。903
　　ResNeXt101
　　32hr1191。32
　　429。944
　　543。293
　　2。771
　　2。193
　　ResNeXt101
　　64hr781。172
　　427。304
　　539。924
　　1。828
　　1。447
　　最优batch
　　32816
　　1191。32
　　669。232
　　570。867
　　1。766
　　2。087精度对比
　　推理结束之后，可以调用imagenetacceval。py脚本来和原有标签数据进行对比，得到top5的结果。
　　最后的到精度表现如下：
　　top1准确率为79。3，top5准确率为94。52。