作者：十岁的小男孩

QQ：929994365

无用

　　本文仅用于学习研究，非商业用途，欢迎大家指出错误一起学习，文章内容翻译自 MACE 官方手册，记录本人阅读与开发过程，力求不失原意，但推荐阅读原文。

　　本文是mace学习的第二步，如何撰写Yaml文件，将pb模型部署到该文件中进行编译。若环境尚未搭建完毕的同学请看第一篇环境搭建，编译出的库在安卓中如何使用请浏览第三步即mace工程化。

MACE(1)-----环境搭建：https://www.cnblogs.com/missidiot/p/9480033.html

MACE(3)-----工程化：https://www.cnblogs.com/missidiot/p/9717633.html

小米官方文档编写部署文件：https://mace.readthedocs.io/en/latest/user_guide/basic_usage.html

# CPU/GPU:
./transform_graph \--in_graph=/path/to/your/tf_model.pb \--out_graph=/path/to/your/output/tf_model_opt.pb \--inputs='input node name' \--outputs='output node name' \--transforms='strip_unused_nodes(type=float, shape="1,64,64,3")strip_unused_nodes(type=float, shape="1,64,64,3")remove_nodes(op=Identity, op=CheckNumerics)fold_constants(ignore_errors=true)flatten_atrous_convfold_batch_normsfold_old_batch_normsremove_control_dependenciesstrip_unused_nodessort_by_execution_order'

注：（尚未搞清楚，以下文件的如何用）

2. 创建部署文件（model.yaml）

　　转换模型或构建库时，MACE需要读取YAML文件，此文件称为模型部署文件。模型部署文件包含模型和构建选项的所有信息。构建过程包括解析模型部署文件，转换模型，构建MACE核心库以及打包生成的模型库。

　　一个部署文件将正常生成一个库，但如果指定了多个ABI，则将为每个ABI生成一个库。部署文件还可以包含多个模型。例如，AI相机应用程序可以包含面部识别，对象识别和语音识别模型，所有这些都可以在一个部署文件中定义。

　　下例为mace官方提供的例子：

# The name of library
library_name: mobilenet
target_abis: [arm64-v8a]
model_graph_format: file
model_data_format: file
models:mobilenet_v1: # model tag, which will be used in model loading and must be specific.
    platform: tensorflow# path to your tensorflow model's pb file. Support local path, http:// and https://model_file_path: https://cnbj1.fds.api.xiaomi.com/mace/miai-models/mobilenet-v1/mobilenet-v1-1.0.pb# sha256_checksum of your model's pb file.# use this command to get the sha256_checksum: sha256sum path/to/your/pb/file
    model_sha256_checksum: 71b10f540ece33c49a7b51f5d4095fc9bd78ce46ebf0300487b2ee23d71294e6# define your model's interface# if there multiple inputs or outputs, write like blow:# subgraphs:# - input_tensors:#     - input0#     - input1#   input_shapes:#     - 1,224,224,3#     - 1,224,224,3#    output_tensors:#      - output0#      - output1#    output_shapes:#      - 1,1001#      - 1,1001
    subgraphs:- input_tensors:- inputinput_shapes:- 1,224,224,3output_tensors:- MobilenetV1/Predictions/Reshape_1output_shapes:- 1,1001

　　# cpu, gpu or cpu+gpuruntime: cpu+gpuwinograd: 0

Command：

# Get device's soc info.（尚未搞清楚在哪用）
adb shell getprop | grep platform# command for generating sha256_sum，获取检测码，路径指向pb文件目录（直接在终端下使用）
sha256sum /path/to/your/file

配置：

注：[option]为可选的，在部署文件中可选。

3. 高级用法

3.1 将模型转换成C++代码

　　1. 更改部署文件

　　　　如果要保护模型，可以将模型转换为C ++代码。还有两种情况：

　　　　1.1 将模型图转换为代码并使用以下模型配置将权重建模到文件。

model_graph_format: code
model_data_format: file

　　　　将模型图和模型权重转换为具有以下模型配置的代码。

model_graph_format: code
model_data_format: code

　　　　以上两步当model_graph_format: code时候后期会生成mace_engine_factory.h文件，后期遇到再解释（未完成，尚未知其用途）

　　　　1.2 另一种模型保护方法obfuscate用于混淆模型运算符的名称。（未知）

　　2. 将模型转换为代码

python tools/converter.py convert --config=/path/to/model_deployment_file.yml

　　该命令将在builds / $ {library_name} / model目录中生成$ {library_name} .a，在builds / $ {library_name} / include中生成 ** .h *，如下面的dir-tree。　　

# model_graph_format: code
# model_data_format: file

builds├── include│   └── mace│       └── public│           ├── mace_engine_factory.h│           └── mobilenet_v1.h└── model├── mobilenet-v1.a└── mobilenet_v1.data# model_graph_format: code
# model_data_format: code

builds├── include│   └── mace│       └── public│           ├── mace_engine_factory.h│           └── mobilenet_v1.h└── model└── mobilenet-v1.a

　　3. 部署

　　　　libmace.a和$ {library_name} .a链接到您的目标。

　　　　参阅mace/examples/example.cc完整用法。以下列出了关键步骤。

// Include the headers
#include "mace/public/mace.h"
#include "mace/public/mace_runtime.h"
// If the model_graph_format is code
#include "mace/public/${model_name}.h"
#include "mace/public/mace_engine_factory.h"// ... Same with the code in basic usage// 4. Create MaceEngine instance
std::shared_ptr<mace::MaceEngine> engine;
MaceStatus create_engine_status;
// Create Engine from compiled code
create_engine_status =CreateMaceEngineFromCode(model_name.c_str(),model_data_file, // empty string if model_data_format is codeinput_names,output_names,device_type,&engine);
if (create_engine_status != MaceStatus::MACE_SUCCESS) {// Report error
}// ... Same with the code in basic usage

3.2 调整特点的SoC的GPU内核（尚未搞清楚干啥）

　　如果您想使用特定设备的GPU，您只需target_socs在YAML文件中指定，然后为其调整MACE lib（OpenCL内核），这可能会提高1~10％的性能。

　　1.更改模型部署文件（.yml）

　　指定target_socs模型中的部署文件（.yml）：

target_socs: [sdm845]注意：获取设备的soc信息：adb shell getprop | grep平台

　　2.转换模型

python tools/converter.py convert --config=/path/to/model_deployment_file.yml

　　3.调整

　　tools / converter.py将启用GPU内核的自动调整。这通常需要一些时间才能完成，具体取决于模型的复杂程度。

python tools/converter.py run --config=/path/to/model_deployment_file.yml --validate

　　该命令将在builds / $ {library_name} / opencl中生成两个文件，如下面的dir-tree。

builds
└── mobilenet-v2├── model│   ├── mobilenet_v2.data│   └── mobilenet_v2.pb└── opencl└── arm64-v8a├── moblinet-v2_compiled_opencl_kernel.MiNote3.sdm660.bin└── moblinet-v2_tuned_opencl_parameter.MiNote3.sdm660.bin

　　mobilenet-v2-gpu_compiled_opencl_kernel.MI6.msm8998.bin代表用于模型的OpenCL二进制文件，可以加速初始化阶段。详情请参阅OpenCL规范。

　　mobilenet-v2-tuned_opencl_parameter.MI6.msm8998.bin代表SoC的调整OpenCL参数。

4.部署

　　更改上面生成的文件名称以防止发生冲突，并将它们推送到您自己设备的目录中。

　　使用与前面的过程类似，下面列出了不同的关键步骤。

// Include the headers
#include "mace/public/mace.h"
#include "mace/public/mace_runtime.h"// 0. Set pre-compiled OpenCL binary program file paths and OpenCL parameters file path when available
if (device_type == DeviceType::GPU) {mace::SetOpenCLBinaryPaths(path/to/opencl_binary_paths);mace::SetOpenCLParameterPath(path/to/opencl_parameter_file);
}// ... Same with the code in basic usage.

转载于:https://www.cnblogs.com/missidiot/p/9509831.html