昇腾AscendCL推理应用开发入门教程（基于Python语言）

pyACL（Python Ascend Computing Language）是一套在AscendCL的基础上使用CPython封装得到的Python API库，使用户可以通过Python进行昇腾AI处理器的运行管理、资源管理等，实现在昇腾CANN平台上进行深度学习推理计算、图形图像预处理、单算子加速计算等能力。

了解了这些大步骤后，下面我们再展开来说明开发应用具体涉及哪些关键功能？各功能又使用哪些pyACL接口，这些pyACL接口怎么串联？

虽然此时您可能不理解所有细节，但这也不影响，通过快速入门旨在先了解整体的代码逻辑，后续再深入学习，了解其它细节。

工程创建

首先，在开发环境中下创建“first_app”代码目录。

first_app 
├── data 
│   ├── dog1_1024_683.jpg         //测试图片1 
│   └── dog2_1024_683.jpg         //测试图片2 
└── model                          //用于存放ONNX ResNet-50模型文件 
    └── resnet50.onnx

准备测试数据，本次样例需要使用两张动物图片，请从以下链接获取，将下载好的图片上传至“first_app/data”目录。

cd $HOME/first_app/data 
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg
cd $HOME/first_app/data 
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog2_1024_683.jpg

准备模型数据，将ONNX模型下载至“model”目录。

cd $HOME/first_app/model wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/resnet50/resnet50.onnx

模型转换，对于开源框架的模型，不能直接在昇腾AI处理器上进行推理，需要使用ATC（Ascend Tensor Compiler）工具将开源框架的网络模型转换为适配昇腾AI处理器的离线模型（*.om文件）。

执行以下命令（以昇腾310P AI处理器为例），将原始模型转换为昇腾AI处理器能识别的*.om模型文件。请注意，执行命令的用户需具有命令中相关路径的可读、可写权限。

atc --model=resnet50.onnx --framework=5 --output=resnet50 --input_shape="actual_input_1:1,3,224,224" --soc_version=Ascend310P3

− --model：ResNet-50网络的模型文件的路径。

− --framework：原始框架类型。5表示ONNX。

− --output：resnet50.om模型文件的路径。请注意，记录保存该om模型文件的路径，后续开发应用时需要使用。

− --input_shape：模型输入数据的shape。

− --soc_version：昇腾AI处理器的版本。

说明：如果无法确定当前设备的soc_version，则在安装NPU驱动包的服务器执行npu-smi info命令进行查询，在查询到的“Name”前增加“Ascend”信息，例如“Name”对应取值为“310P3”，实际配置的“soc_version”值为“Ascend310P3”。

应用开发

在“first_app”目录下创建“first_app.py”文件并依次写入以下内容。

步骤 1 引入pyACL必要的模块，定义pyACL常量。

import os 
 
import acl 
import numpy as np 
from PIL import Image 
 
ACL_MEM_MALLOC_HUGE_FIRST = 0 
ACL_MEMCPY_HOST_TO_DEVICE = 1 
ACL_MEMCPY_DEVICE_TO_HOST = 2

步骤 2 定义模型对象。

网络模型对象中应当包含以下函数。

初始化函数。
执行推理任务函数。
析构函数。

对于后续的使用，用户只需要调用网络模型中的forward函数，传入对应的输入数据即可获得相应的输出。

class net: 
 
#   def __init__(self, model_path): 
        # 初始化函数，需要在后续步骤中实现。 
 
#   def forward(self, inputs): 
        # 执行推理任务，需要在后续步骤中实现。 
 
#   def __del__(self): 
        # 析构函数，按照初始化资源的相反顺序释放资源，需要在后续步骤中实现。

步骤 3 实现初始化方法，具体涉及以下步骤（请在net类中实现）。

1. 调用acl.init接口进行初始化，在使用pyACL开发应用时，需要先初始化pyACL（在完成所有pyACL接口调用后，还需进行去初始化）。初始化时，也可通过JSON配置文件，向初始化接口传入配置参数（例如，传入性能相关的采集信息配置）。

2. 通过ID，调用acl.rt.set_device接口指定具体的计算设备（Device）。

3. 加载模型。

a. 在此处样例选择调用acl.mdl.load_from_file接口加载om模型文件。

b. 调用acl.mdl.create_desc接口创建模型描述信息。

c. 根据加载成功的模型ID，调用acl.mdl.get_desc接口获取该模型的描述信息。

4. 创建输入数据集与输出数据集，对应方法在步骤4中实现。

def __init__(self, model_path): 
     # 初始化函数 
     self.device_id = 0 
 
     # step1: 初始化 
     ret = acl.init() 
     # 指定运算的Device 
     ret = acl.rt.set_device(self.device_id) 
 
     # step2: 加载模型，本示例为ResNet-50模型 
     # 加载离线模型文件，返回标识模型的ID 
     self.model_id, ret = acl.mdl.load_from_file(model_path) 
     # 创建空白模型描述信息，获取模型描述信息的指针地址 
     self.model_desc = acl.mdl.create_desc() 
     # 通过模型的ID，将模型的描述信息填充到model_desc 
     ret = acl.mdl.get_desc(self.model_desc, self.model_id) 
 
     # step3：创建输入输出数据集 
     # 创建输入数据集 
     self.input_dataset, self.input_data = self.prepare_dataset('input') 
     # 创建输出数据集 
     self.output_dataset, self.output_data = self.prepare_dataset('output')

步骤 4 实现数据集创建方法（请在net类中实现）。

在调用pyACL接口进行模型推理时，模型推理有输入、输出数据，输入、输出数据需要按照pyACL规定的数据类型存放。相关数据类型如下：

使用aclmdlDesc类型的数据描述模型基本信息（例如输入/输出的个数、名称、数据类型、Format、维度信息等）。

模型加载成功后，用户可根据模型的ID，调用该数据类型下的操作接口获取该模型的描述信息，进而从模型的描述信息中获取模型输入/输出的个数、内存大小、维度信息、Format、数据类型等信息。

使用aclDataBuffer类型的数据来描述每个输入/输出的内存地址、内存大小。

调用aclDataBuffer类型下的操作接口获取内存地址、内存大小等，便于向内存中存放输入数据、获取输出数据。

使用aclmdlDataset类型的数据描述模型的输入/输出数据。

模型可能存在多个输入、多个输出，调用aclmdlDataset类型的操作接口添加多个aclDataBuffer类型的数据。

aclmdlDataset类型与aclDataBuffer类型的关系

def prepare_dataset(self, io_type): 
     # 准备数据集 
     if io_type == "input": 
         # 获得模型输入的个数 
         io_num = acl.mdl.get_num_inputs(self.model_desc) 
         acl_mdl_get_size_by_index = acl.mdl.get_input_size_by_index 
     else: 
         # 获得模型输出的个数 
         io_num = acl.mdl.get_num_outputs(self.model_desc) 
         acl_mdl_get_size_by_index = acl.mdl.get_output_size_by_index 
     # 创建aclmdlDataset类型的数据，描述模型推理的输入。 
     dataset = acl.mdl.create_dataset() 
     datas = [] 
     for i in range(io_num): 
         # 获取所需的buffer内存大小 
         buffer_size = acl_mdl_get_size_by_index(self.model_desc, i) 
         # 申请buffer内存 
         buffer, ret = acl.rt.malloc(buffer_size, ACL_MEM_MALLOC_HUGE_FIRST) 
         # 从内存创建buffer数据 
         data_buffer = acl.create_data_buffer(buffer, buffer_size) 
         # 将buffer数据添加到数据集 
         _, ret = acl.mdl.add_dataset_buffer(dataset, data_buffer) 
         datas.append({"buffer": buffer, "data": data_buffer, "size": buffer_size}) 
     return dataset, datas

步骤 5 实现同步推理方法（请在net类中实现）。

 def forward(self, inputs): 
     # 执行推理任务 
     # 遍历所有输入，拷贝到对应的buffer内存中 
     input_num = len(inputs) 
     for i in range(input_num): 
         bytes_data = inputs[i].tobytes() 
         bytes_ptr = acl.util.bytes_to_ptr(bytes_data) 
         # 将图片数据从Host传输到Device。 
         ret = acl.rt.memcpy(self.input_data[i]["buffer"],   # 目标地址 device 
                             self.input_data[i]["size"],     # 目标地址大小 
                             bytes_ptr,                      # 源地址 host 
                             len(bytes_data),                # 源地址大小 
                             ACL_MEMCPY_HOST_TO_DEVICE)      # 模式:从host到device 
     # 执行模型推理。 
     ret = acl.mdl.execute(self.model_id, self.input_dataset, self.output_dataset) 
     # 处理模型推理的输出数据，输出top5置信度的类别编号。 
     inference_result = [] 
     for i, item in enumerate(self.output_data): 
         buffer_host, ret = acl.rt.malloc_host(self.output_data[i]["size"]) 
         # 将推理输出数据从Device传输到Host。 
         ret = acl.rt.memcpy(buffer_host,                    # 目标地址 host 
                             self.output_data[i]["size"],    # 目标地址大小 
                             self.output_data[i]["buffer"],  # 源地址 device 
                             self.output_data[i]["size"],    # 源地址大小 
                             ACL_MEMCPY_DEVICE_TO_HOST)      # 模式：从device到host 
         # 从内存地址获取bytes对象 
         bytes_out = acl.util.ptr_to_bytes(buffer_host, self.output_data[i]["size"]) 
         # 按照float32格式将数据转为numpy数组 
         data = np.frombuffer(bytes_out, dtype=np.float32) 
         inference_result.append(data) 
     vals = np.array(inference_result).flatten() 
     # 对结果进行softmax转换 
     vals = np.exp(vals) 
     vals = vals / np.sum(vals) 
 
     return vals

步骤 6 实现析构方法（请在net类中实现）。

1. 销毁数据集资源（buffer数据、buffer内存、输入数据集、输出数据集）。

2. 销毁模型描述、卸载模型。

3. 释放计算资源。

4. 所有pyACL接口调用结束后（或在进程退出前），调用acl.finalize接口进行pyACL进行去初始化。

在推理过程中可能会抛出异常，请将资源释放步骤实现在析构方法中确保资源能够得到正确释放。以下内容仅供参考，实际情况下需要考虑更多情况下的资源释放问题。

def __del__(self): 
     # 析构函数 按照初始化资源的相反顺序释放资源。 
     # 销毁输入输出数据集 
     for dataset in [self.input_data, self.output_data]: 
         while dataset: 
             item = dataset.pop() 
             ret = acl.destroy_data_buffer(item["data"])    # 销毁buffer数据 
             ret = acl.rt.free(item["buffer"])              # 释放buffer内存 
     ret = acl.mdl.destroy_dataset(self.input_dataset)      # 销毁输入数据集 
     ret = acl.mdl.destroy_dataset(self.output_dataset)     # 销毁输出数据集 
     # 销毁模型描述 
     ret = acl.mdl.destroy_desc(self.model_desc) 
     # 卸载模型 
     ret = acl.mdl.unload(self.model_id) 
     # 释放device 
     ret = acl.rt.reset_device(self.device_id) 
     # acl去初始化 
     ret = acl.finalize()

步骤 7 实现图像预处理函数。

def transfer_pic(input_path): 
    # 图像预处理 
    input_path = os.path.abspath(input_path) 
    with Image.open(input_path) as image_file: 
        # 缩放为224*224 
        img = image_file.resize((224, 224)) 
        # 转换为float32类型ndarray 
        img = np.array(img).astype(np.float32) 
    # 根据imageNet图片的均值和方差对图片像素进行归一化 
    img -= [123.675, 116.28, 103.53] 
    img /= [58.395, 57.12, 57.375] 
    # RGB通道交换顺序为BGR 
    img = img[:, :, ::-1] 
    # resnet50为色彩通道在前 
    img = img.transpose((2, 0, 1)) 
    # 返回并添加batch通道 
    return np.array([img])

步骤 8 调用forward函数（具体实现请参见步骤5），执行同步推理并在屏幕中打印top5类别编号及置信度。

def print_top_5(data): 
    top_5 = data.argsort()[::-1][:5] 
    print("======== top5 inference results: =============") 
    for j in top_5: 
        print("[%d]: %f" % (j, data[j])) 
 
if __name__ == "__main__": 
    resnet50 = net('./model/resnet50.om') 
    image_paths = ["./data/dog1_1024_683.jpg", "./data/dog2_1024_683.jpg"] 
    for path in image_paths: 
        # 图像预处理，此处仅供参考，用户按照自己需求进行预处理 
        image = transfer_pic(path) 
        # 将数据按照每个输入的顺序构造list传入，当前示例的ResNet-50模型只有一个输入 
        result = resnet50.forward([image]) 
        # 输出top_5 
        print_top_5(result) 
 
    del resnet50

----结束

运行应用

将编写好的“first_app”文件夹及内容上传到运行环境，进入到代码目录下，检查环境变量配置是否正确，然后执行以下命令。

python3 first_app.py

可以得到如下输出，分别为两张测试图片的top5分类信息。

其中[161]: 0.809159表示的是类别标识索引“161”的置信度为“0.809159”。

======== top5 inference results: ============= 
[161]: 0.809159 
[162]: 0.103680 
[178]: 0.017600 
[166]: 0.013922 
[212]: 0.009644 
======== top5 inference results: ============= 
[267]: 0.728299 
[266]: 0.101693 
[265]: 0.100117 
[151]: 0.004214 
[160]: 0.002721

说明：类别标签和类别的对应关系与训练模型时使用的数据集有关，本样例使用的模型是基于imagenet数据集进行训练的，您可以在互联网上查阅对应数据集的标签及类别的对应关系。当前屏显信息中的类别标识与类别的对应关系如下： "161": ["basset", "basset hound"] "162": ["beagle"] "163": ["bloodhound", "sleuthhound"] "166": ["Walker hound", "Walker foxhound"] "167": ["English foxhound"]

这样，我们就完成了一个简单的推理应用程序的开发和运行，感兴趣的小伙伴可以参考以下资料完成更系统的学习：

− 获取学习文档：请单击Link

− 获取更多样例，请单击Link

− 获取在线视频课程，请单击Link