Vitis AI 运行TensforFlow模型

2024-03-01 20:11:40

在百度edgeboard fzu3上运行CIFAR10 Classification，介绍Vitis AI TensorFlow设计过程，将Python描述的网络模型运行在Xilinx DPU上。

CIFAR_10数据集

输入图片32x32x8 RGB images，完整CIFAR数据集有60k图片，将数据集进行划分，50k进行训练，10k用来验证。

DenseNet结构

DenseNet-121组成：

注：上图针对ImageNet。

步骤

拷贝文件

cp -r /mnt/hgfs/ubuntu/DenseNetX/ ~/

下载模型

Vitis AI 1.2版本模型不能下载，使用Vitis AI1.3版本的模型，解压模型keras_model.zip，将k_model.h5拷贝到./files/build/keras_model 文件夹。

unzip keras_model.zip
cd keras_model/
cp k_model.h5 ../build/keras_model/

运行docker

cd ~/Vitis-AI
./docker_run.sh xilinx/vitis-ai:1.2.82

设置环境变量

cd DenseNetX/
source 0_setenv.sh

模型转换

source ./2_keras2tf.sh

完成两个转换：

1、将HDF5文件转换成TensorFlow checkpiont

2、 TensorFlow checkpiont转换成 frozen graph

在第二步中用到：

freeze() {
  freeze_graph \
    --input_meta_graph  ${TFCKPT_DIR}/${TFCKPT}.meta \
    --input_checkpoint  ${TFCKPT_DIR}/${TFCKPT} \
    --output_graph      ${FREEZE}/${FROZEN_GRAPH} \
    --output_node_names ${OUTPUT_NODE} \
    --input_binary      true
}

在./files/build/freeze文件夹生成frozen_graph.pb文件

模型量化

在Vitis AI内可以量化模型，裁剪模型需要找xilinx。

量化将32bit float-point转换成8bit integer，不损失精度。Vitis AI支持通用神经网络层，例如convoluton, pooling, fully connected, and batchnorm 。

Vitis AI quantizer支持TensorFlow，Pytorch和Caffe（quantzer名字vai_q_tensorﬂow, vai_q_pytorch, and vai_q_caﬀe ）

量化流程

量化器将float-point模型作为输入（frozen GraphDef fle for TensorFlow version, prototxt and caﬀemodel for Caﬀe version ），执行预处理(batchnorm 并移除无用节点），然后将权重/偏差和激活量化为给定位宽。

Vitis AI量化器经过多次推理迭代，进行校准，因此需要校准数据集。

校准后，量化模型转换为DPU可部署模型(deploy_model.pb for vai_q_tensorﬂow or deploy.prototxt/deploy.caﬀemodel for vai_q_caﬀe )。

使用 vai_q_tensorflow 量化模型

运行以下命令以量化模型：

$vai_q_tensorflow quantize \
--input_frozen_graph frozen_graph.pb \
--input_nodes ${input_nodes} \
--input_shapes ${input_shapes} \
--output_nodes ${output_nodes} \
--input_fn input_fn \
[options]

输出量化模型

评估量化模型

source ./5_eval_quant.sh

编译量化模型

DPU参数包含在.dcf文件中，不同器件可能对应不同dcf，dcf文件通过如下命令生成

$ dlet -f ./system.hwh
[DLet]Generate DPU DCF file dpu-06-18-2020-12-00.dcf successfully.

system.hwh文件是在platform上创建应用时生成。

修改arch.json

arch.json默认路径

export ARCH=/opt/vitis_ai/compiler/arch/DPUCZDX8G/${BOARD}/arch.json

将arch.json拷贝到

sudo cp arch.json /opt/vitis_ai/compiler/arch/DPUCZDX8G/ZCU104/

将dpu-06-18-2020-12-00.dcf文件拷贝到DenseNetX。

运行source ./6_compile.sh

在./files/build/compile文件夹生成dpu_densenetx_0.elf。

单板上运行应用

运行指令source ./7_make_target.sh，在./files/build/target文件夹生成如下文件

拷贝到sd卡

 scp -r ./target/ root@192.168.60.120: ~/

运行代码

python3 app_mt.py

python3 app_mt.py -t 5

码农公寓

CIFAR_10数据集

DenseNet结构

步骤

相关文章