ATC：一個能將主流開源框架模型轉換為昇騰模型的神奇工具

摘要：本文介紹了昇騰CANN提供的模型轉換工具ATC，介紹了其功能、架構，並以具體樣例介紹了該工具的基本使用方法以及常用設定。

本文分享自華為雲社群《使用ATC工具將主流開源框架模型轉換為昇騰模型》，作者：昇騰CANN。

什麼是ATC，它能做什麼？

昇騰張量編譯器（Ascend Tensor Compiler，簡稱ATC）是昇騰CANN架構體系下的模型轉換工具：

它可以將開源框架的網路模型（例如TensorFlow、ONNX等）轉換為昇騰AI處理器支援的模型檔案（.om格式），用於後續的模型推理。
它可以將基於Ascend IR定義的單運算元描述檔案（*.json格式）轉換為昇騰AI處理器支援的模型檔案（.om格式），用於後續在整網中驗證運算元功能。

模型轉換過程中，ATC會進行運算元排程優化、權重資料重排、記憶體使用優化等操作，對開源框架的網路模型做進一步調優，使其高效地在昇騰AI處理器上執行。

ATC工具功能架構

開源框架網路模型編譯流程：

使用ATC工具轉換模型時，開源框架網路模型經過Parser解析後，轉換為昇騰的中間圖IR Graph。
中間圖IR Graph經過圖準備，圖拆分，圖優化，圖編譯等一系列操作後，轉成適配昇騰AI處理器的*.om模型檔案。
後續使用者可呼叫AscendCL提供的模型載入、執行等介面實現模型推理。

單運算元編譯流程：

使用ATC工具轉換單運算元時，單運算元經過編譯後，轉換成適配昇騰AI處理器的單運算元*.om模型檔案。
後續使用者可呼叫AscendCL提供的單運算元模型載入、執行等介面在整網中驗證單運算元功能。

如何使用ATC工具

下面以Caffe框架ResNet-50網路模型為例，介紹如何使用ATC工具轉換模型。

1. 將Caffe框架ResNet-50網路模型的模型檔案*.prototxt、權重檔案*.caffemodel上傳至ATC工具所在的Linux伺服器。

2. 執行如下命令進行模型轉換。

atc --framework=0 --soc_version=${soc_version} 
--model=$HOME/mod/resnet50.prototxt 
--weight=$HOME/mod/resnet50.caffemodel 
--output=$HOME/module/out/caffe_resnet50

引數解釋如下：

--framework：原始網路模型框架型別，0表示Caffe框架。
--soc_version：指定模型轉換時昇騰AI處理器的版本，例如Ascend310。
--model：原始網路模型檔案路徑，含檔名。
--weight：原始網路模型權重檔案路徑，含檔名，僅當原始網路模型是Caffe時需要指定。
--output：轉換後的*.om模型檔案路徑，含檔名，轉換成功後，模型檔名自動以.om字尾結尾。

3. 若提示ATC run success資訊，則說明模型轉換成功。

在--output引數指定的路徑下，可檢視轉換後的模型檔案，例如caffe_resnet50.om。

ATC工具支援更多特性

上述只給出了ATC工具進行模型轉換最基本的命令，本章節給出ATC工具支援的更多特性，方便使用者進一步瞭解。

ATC工具支援將原始模型檔案或昇騰*.om模型檔案轉換成json格式：

- 原始模型檔案—>json檔案

atc --mode=1 --framework=0 --om=$HOME/mod/resnet50.prototxt 
--json=$HOME/mod/out/caffe_resnet50.json

- 昇騰*.om模型檔案—>json檔案

atc --mode=1 --om=$HOME/mod/out/caffe_resnet50.om  
--json=$HOME/mod/out/caffe_resnet50.json

ATC工具支援自定義*.om模型的輸入輸出資料型別：

模型轉換時支援指定網路模型的輸入或輸出節點的資料型別、Format，支援設定精度等。

此處的範例命令場景：針對Caffe框架ResNet50網路模型，轉換後的模型輸入為FP16型別，指定Pooling運算元作為輸出，並且該輸出節點為FP16型別。

atc --framework=0 --soc_version=${soc_version} 
--model=$HOME/mod/resnet50.prototxt 
--weight=$HOME/mod/resnet50.caffemodel 
--output=$HOME/mod/out/caffe_resnet50  --input_fp16_nodes="data" 
--out_nodes="pool1:0" --output_type="pool1:0:FP16" 

ATC工具支援設定動態BatchSize/動態解析度：

某些推理場景，如檢測出目標後再執行目標識別網路，由於目標個數不固定導致目標識別網路輸入BatchSize不固定；如果每次推理都按照最大的BatchSize或最大解析度進行計算，會造成計算資源浪費，因此，模型轉換需要支援動態BatchSize和動態解析度的設定，實際推理時，通過AscendCL介面設定本次推理所需的BatchSize和動態解析度。

- 動態BatchSize

atc --framework=0 --soc_version=${soc_version} 
--model=$HOME/mod/resnet50.prototxt 
--weight=$HOME/mod/resnet50.caffemodel 
--output=$HOME/mod/out/caffe_resnet50 
--input_shape="data:-1,3,224,224" --dynamic_batch_size="1,2,4,8" 

其中，「--input_shape 」中的「-1」表示設定動態BatchSize，具體支援哪些BatchSize由「--dynamic_batch_size」決定。

- 動態解析度

atc --framework=0 --soc_version=${soc_version} 
--model=$HOME/mod/resnet50.prototxt 
--weight=$HOME/mod/resnet50.caffemodel 
--output=$HOME/mod/out/caffe_resnet50 
--input_shape="data:1,3,-1,-1" --dynamic_image_size="224,224;448,448"

其中，「--input_shape 」中的「-1,-1」表示設定動態解析度，具體支援哪些解析度由「--dynamic_image_size 」決定。

ATC：一個能將主流開源框架模型轉換為昇騰模型的神奇工具

什麼是ATC，它能做什麼？

ATC工具功能架構

如何使用ATC工具

ATC工具支援更多特性

更多介紹