石做视频网站需要牌照,中国各大网站,投资公司收到分红要交什么税,在苏州找学生做家教在哪个网站TVM#xff1a;在树莓派上部署预训练的模型
之前我们已经介绍如何通过Python接口#xff08;AutoTVM#xff09;来编译和优化模型。本文将介绍如何在远程#xff08;如本例中的树莓派#xff09;上部署预训练的模型。
在设备上构建 TVM Runtime
首先我们需要再远程设备…TVM在树莓派上部署预训练的模型
之前我们已经介绍如何通过Python接口AutoTVM来编译和优化模型。本文将介绍如何在远程如本例中的树莓派上部署预训练的模型。
在设备上构建 TVM Runtime
首先我们需要再远程设备上安装 TVM。 注意本节和下一节中的所有指令都应在目标设备上执行例如 树莓派。 我们假设它运行着 Linux。 由于我们在本地机器上进行编译因此远程设备仅用于运行生成的代码。 我们只需要在远程设备上构建 TVM Runtime。这里在我们安装 tvm 的文章中已经详细介绍过了不再赘述。需要提一下的是建议在树莓派上也安装 llvm并在安装 tvm 时指定对应的路径。
可参考TVM源码编译安装
git clone --recursive https://github.com/apache/tvm tvm
cd tvm
mkdir build
cp cmake/config.cmake build
cd build
cmake ..
make runtime -j4构建成功后配置 Python 包路径
export PYTHONPATH$PYTHONPATH:/path/to/tvm/python在远程设备上设置 RPC 服务器
在远程设备如本例中的树莓派上运行以下命令来开启 RPC 服务器
python -m tvm.exec.rpc_server --host 0.0.0.0 --port9090如果看到下面这行说明远程设备上的 RPC 服务已经成功开启了
INFO:root:RPCServer: bind to 0.0.0.0:9090准备预训练的模型
回到我们的主机其上应该安装了完整的 TVM不同与之前使用onnx模型这次我们使用mxnet的模型起始都一样这里只是介绍另外一种模型来源。
不同于之前在本机上的程序我们这里通过 MXNet 来加载模型。
加载模型、测试图像和 sysnet用来将 ImageNet 的标签转换成类别名
from mxnet.gluon.model_zoo.vision import get_model
from PIL import Image
import numpy as np# 一行即获取模型
block get_model(resnet18_v1, pretrainedTrue)# 获取图像并做相应转换
img_url https://github.com/dmlc/mxnet.js/blob/main/data/cat.png?rawtrue
img_name cat.png
img_path download_testdata(img_url, img_name, moduledata)
image Image.open(img_path).resize((224, 224))def transform_image(image):image np.array(image) - np.array([123.0, 117.0, 104.0])image / np.array([58.395, 57.12, 57.375])image image.transpose((2, 0, 1))image image[np.newaxis, :]return imagex transform_image(image)# sysnet 用来将 ImageNet 的类别标签转换为类别名称
synset_url .join([https://gist.githubusercontent.com/zhreshold/,4d0b62f3d01426887599d4f7ede23ee5/raw/,596b27d23537e5a1b5751d2b0481ef172f58b539/,imagenet1000_clsid_to_human.txt,]
)
synset_name imagenet1000_clsid_to_human.txt
synset_path download_testdata(synset_url, synset_name, moduledata)
with open(synset_path) as f:synset eval(f.read())现在我们将 Gluon 模型移植到可移植的计算图上
# 我们在 mxnet.gluon 中支持 MXNet 静态图符号和 HybridBlock
shape_dict {data: x.shape}
mod, params relay.frontend.from_mxnet(block, shape_dict)
# 我们要的是概率值所以加上 softmax 算子
func mod[main]
func relay.Function(func.params, relay.nn.softmax(func.body), None, func.type_params, func.attrs)以下是一些基本的数据工作负载配置
batch_size 1
num_classes 1000
image_shape (3, 224, 224)
data_shape (batch_size,) image_shape编译图
我们调用带有图配置和参数的 relay.build() 函数来编译图。 但是我们不能在具有 ARM 指令集的设备上部署 x86 程序。 也就是说我们还需要告诉 Relay 目标设备的编译选项除了 net 和 params 参数来指定深度学习工作负载。 选项也很重要不同的选项会导致性能有巨大差异。
如果我们在 x86 服务器上运行示例进行演示直接将其设置为 llvm 即可。 如果在远程设备树莓派上运行我们需要指定它的指令集。 如果要在真实设备上运行本教程请将 local_demo 设置为 False。
另外要注意的是官方给出的例程是针对树莓派3B其指令集是ARMv7而这里如果是树莓派4B需要修改 target 为 aarch64。即在下面改为 target llvm -mtripleaarch64-linux-gnu
local_demo Trueif local_demo:target tvm.target.Target(llvm)
else:target tvm.target.arm_cpu(rasp3b)# 上面这行是下面这行的简单形式# target tvm.target.Target(llvm -devicearm_cpu -modelbcm2837 -mtriplearmv7l-linux-gnueabihf -mattrneon)with tvm.transform.PassContext(opt_level3):lib relay.build(func, target, paramsparams)# 在 relay.build 之后 我们将得到三个返回值图graph库library和新的参数new parameter, 因为我们需要做一些优化这可能会改变某些参数但是保证模型的输出结果不变# 将库library保存为本地临时目录
tmp utils.tempdir()
lib_fname tmp.relpath(net.tar)
lib.export_library(lib_fname)此处输出
/workspace/python/tvm/relay/build_module.py:333: DeprecationWarning: Please use input parameter mod (tvm.IRModule) instead of deprecated parameter mod (tvm.relay.function.Function)DeprecationWarning,通过 RPC 将模型进行远程部署
通过 RPC我们可以将模型从本机远程部署到树莓派上。
# 与远程设备建立 RPC会话
if local_demo:remote rpc.LocalSession()
else:# 这里是笔者ip要改成你自己的host 10.206.205.11port 9090remote rpc.connect(host, port)# 将库library上传到远程设备并加载它
remote.upload(lib_fname)
rlib remote.load_module(net.tar)# 建立远程 runtime模块
dev remote.cpu(0)
module runtime.GraphModule(rlib[default](dev))
# 设置输入数据
module.set_input(data, tvm.nd.array(x.astype(float32)))
# 运行
module.run()
# 得到输出
out module.get_output(0)
# 得到 top1 分类结果
top1 np.argmax(out.numpy())
print(TVM prediction top-1: {}.format(synset[top1]))此处输出
TVM prediction top-1: tiger catRef
https://tvm.apache.org/docs/how_to/deploy_models/deploy_model_on_rasp.html
