前情提要

通过一个简单的图片分类应用了解使用 AscendCL 接口开发应用的基本过程以及开发过程中涉及的关键概念。

什么是图片分类应用？

“图片分类应用”，从名称上，我们也能直观地看出它的作用：按图片所属的类别来区分图片。

但“图片分类应用”是怎么做到这一点的呢？当然得先有一个能做到图片分类的模型，我们可以直接使用一些训练好的开源模型，也可以基于开源模型的源码进行修改、重新训练，还可以自己基于算法、框架构建适合自己的模型。

考虑到不同受众，这里做了简化，我们直接获取已训练好的开源模型，毕竟这种最简单、最快。此处我们选择的是Caffe框架的ResNet-50模型。

ResNet-50模型的基本介绍如下：

• 输入数据：RGB格式、224*224分辨率的输入图片

• 输出数据：图片的类别标签及其对应置信度

说明：

• 置信度是指图片所属某个类别可能性。
• 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，需要查阅对应数据集的标签及类别的对应关系。

了解基本概念

• Host

  Host指与Device相连接的X86服务器、ARM服务器，会利用Device提供的NN（Neural-Network ）计算能力，完成业务。

• Device

  Device指安装了昇腾AI处理器SoC的硬件设备，利用PCIe接口与Host侧连接，提供NN计算能力。

了解开发过程

AscendCL（Ascend Computing Language）是一套用于在昇腾平台上开发深度神经网络推理应用的C语言API库，提供模型加载与执行、媒体数据处理、算子加载与执行等API，能够实现在昇腾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AscendCL接口，这些AscendCL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，通过快速入门旨先了解整体的代码逻辑，后续再深入学习，了解其它细节。

代码目录介绍

代码目录中包含测试图片、ResNet-50原始模型、编译脚本、代码文件等，如下所示。

MyFirstApp
   ├── data
       ├── dog1_1024_683.bin  // 测试图片
   ├── model
       ├── resnet50.om  // 适配昇腾AI处理器的ResNet-50模型文件
   ├── src
       ├── CMakeLists.txt  // 编译脚本
       ├── main.cpp // 主函数，图片分类功能的实现文件
   ├── out
       ├── main   // 应用的可执行文件

开发应用

1. 定义一个main函数，按照官方参考文档中的开发应用的过程详解，串联整个应用的代码逻辑。

    int main()
    {
       // 1.定义一个资源初始化的函数，用于AscendCL初始化、运行管理资源申请（指定计算设备）
        InitResource();

       // 2.定义一个模型加载的函数，加载图片分类的模型，用于后续推理使用
        const char *mdoelPath = "../model/resnet50.om";
        LoadModel(mdoelPath);

       // 3.定义一个读图片数据的函数，将测试图片数据读入内存，并传输到Device侧，用于后续推理使用
       const char *picturePath = "../data/dog1_1024_683.bin";
        LoadPicture(picturePath);

       // 4.定义一个推理的函数，用于执行推理
        Inference();

       // 5.定义一个推理结果数据处理的函数，用于在终端上屏显测试图片的top5置信度的类别编号
        PrintResult();

       // 6.定义一个模型卸载的函数，卸载图片分类的模型
        UnloadModel();

       // 7.定义一个函数，用于释放内存、销毁推理相关的数据类型，防止内存泄露
        UnloadPicture();

       // 8.定义一个资源去初始化的函数，用于AscendCL去初始化、运行管理资源释放（释放计算设备）
        DestroyResource();
    }

了解总体的代码逻辑后，接下来开始写各自定义函数的实现，以下函数的实现请按顺序添加在main函数之前。

2. include依赖的头文件，包括AscendCL的、C或C++标准库的头文件。

    #include "acl/acl.h"
    #include <iostream>
    #include <fstream>
    #include <cstring>
    #include <map>

    using namespace std;

3. 资源初始化。

使用AscendCL接口开发应用时，必须先初始化AscendCL ，否则可能会导致后续系统内部资源初始化出错，进而导致其它业务异常。

在初始化时，还支持跟推理相关的可配置项（例如，性能相关的采集信息配置），以json格式的配置文件传入AscendCL初始化接口。如果当前的默认配置已满足需求（例如，默认不开启性能相关的采集信息配置），无需修改，可向AscendCL初始化接口中传入nullptr。

    int32_t deviceId = 0;
    void InitResource()
    {
        aclError ret = aclInit(nullptr);
        ret = aclrtSetDevice(deviceId);
    }

有初始化就有去初始化，在确定完成了AscendCL的所有调用之后，或者进程退出之前，需调用接口实现AscendCL去初始化，具体代码请参考相应版本的官方文档。

4. 模型加载。

   此处加载的是ResNet-50模型文件（*.om文件）。

    uint32_t modelId;
    void LoadModel(const char* modelPath)
    {
        aclError ret = aclmdlLoadFromFile(modelPath, &modelId);
    }

有加载就有卸载，模型推理结束后，需要卸载模型。

5. 将测试图片读入内存，在传输到Device侧，供推理使用。

  size_t pictureDataSize = 0;
    void *pictureHostData;
    void *pictureDeviceData;

    //申请内存，使用C/C++标准库的函数将测试图片读入内存
    void ReadPictureTotHost(const char *picturePath)
    {
        string fileName = picturePath;
        ifstream binFile(fileName, ifstream::binary);
        binFile.seekg(0, binFile.end);
        pictureDataSize = binFile.tellg();
        binFile.seekg(0, binFile.beg);
        aclError ret = aclrtMallocHost(&pictureHostData, pictureDataSize);
        binFile.read((char*)pictureHostData, pictureDataSize);
        binFile.close();
    }

    //申请Device侧的内存，再以内存复制的方式将内存中的图片数据传输到Device
    void CopyDataFromHostToDevice()
    {
        aclError ret = aclrtMalloc(&pictureDeviceData, pictureDataSize, ACL_MEM_MALLOC_HUGE_FIRST);
        ret = aclrtMemcpy(pictureDeviceData, pictureDataSize, pictureHostData, pictureDataSize, ACL_MEMCPY_HOST_TO_DEVICE);
    }

    void LoadPicture(const char* picturePath)
    {
        ReadPictureTotHost(picturePath);
        CopyDataFromHostToDevice();
    }

6. 执行推理。

   在调用AscendCL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AscendCL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 *inputDataSet;
    aclDataBuffer *inputDataBuffer;
    aclmdlDataset *outputDataSet;
    aclDataBuffer *outputDataBuffer;
    aclmdlDesc *modelDesc;
    size_t outputDataSize = 0;
    void *outputDeviceData;

    // 准备模型推理的输入数据结构
    void CreateModelInput()
    {
        // 创建aclmdlDataset类型的数据，描述模型推理的输入
        inputDataSet = aclmdlCreateDataset();
        inputDataBuffer = aclCreateDataBuffer(pictureDeviceData, pictureDataSize);
        aclError ret = aclmdlAddDatasetBuffer(inputDataSet, inputDataBuffer);
    }

    // 准备模型推理的输出数据结构
    void CreateModelOutput()
    {
        // 创建模型描述信息
        modelDesc =  aclmdlCreateDesc();
        aclError ret = aclmdlGetDesc(modelDesc, modelId);
        // 创建aclmdlDataset类型的数据，描述模型推理的输出
        outputDataSet = aclmdlCreateDataset();
        // 获取模型输出数据需占用的内存大小，单位为Byte
        outputDataSize = aclmdlGetOutputSizeByIndex(modelDesc, 0);
        // 申请输出内存
        ret = aclrtMalloc(&outputDeviceData, outputDataSize, ACL_MEM_MALLOC_HUGE_FIRST);
        outputDataBuffer = aclCreateDataBuffer(outputDeviceData, outputDataSize);
        ret = aclmdlAddDatasetBuffer(outputDataSet, outputDataBuffer);
    }

    // 执行模型
    void Inference()
    {
        CreateModelInput();
        CreateModelOutput();
        aclError ret = aclmdlExecute(modelId, inputDataSet, outputDataSet);
    }

7. 处理模型推理的结果数据，打屏显示图片的top5置信度的类别编号。

  void *outputHostData;

    void PrintResult()
    {
        // 获取推理结果数据
        aclError ret = aclrtMallocHost(&outputHostData, outputDataSize);
        ret = aclrtMemcpy(outputHostData, outputDataSize, outputDeviceData, outputDataSize, ACL_MEMCPY_DEVICE_TO_HOST);
        // 将内存中的数据转换为float类型
        float* outFloatData = reinterpret_cast<float *>(outputHostData);

        // 屏显测试图片的top5置信度的类别编号
        map<float, unsigned int, greater<float>> resultMap;
        for (unsigned int j = 0; j < outputDataSize / sizeof(float);++j)
        {
            resultMap[*outFloatData] = j;
            outFloatData++;
        }

        int cnt = 0;
        for (auto it = resultMap.begin();it != resultMap.end();++it)
        {
            if(++cnt > 5)
            {
                break;
            }
            printf("top %d: index[%d] value[%lf] \n", cnt, it->second, it->first);
        }
    }

8. 卸载模型，并释放模型描述信息。

   推理结束，需及时释放模型描述信息、卸载模型。

    void UnloadModel()
    {
        // 释放模型描述信息
        aclmdlDestroyDesc(modelDesc);
        // 卸载模型
        aclmdlUnload(modelId);
    }

9. 释放内存、销毁推理相关的数据类型。

  void UnloadPicture()
    {
        aclError ret = aclrtFreeHost(pictureHostData);
        pictureHostData = nullptr;
        ret = aclrtFree(pictureDeviceData);
        pictureDeviceData = nullptr;
        aclDestroyDataBuffer(inputDataBuffer);
        inputDataBuffer = nullptr;
        aclmdlDestroyDataset(inputDataSet);
        inputDataSet = nullptr;

        ret = aclrtFreeHost(outputHostData);
        outputHostData = nullptr;
        ret = aclrtFree(outputDeviceData);
        outputDeviceData = nullptr;
        aclDestroyDataBuffer(outputDataBuffer);
        outputDataBuffer = nullptr;
        aclmdlDestroyDataset(outputDataSet);
        outputDataSet = nullptr;
    }

10.资源释放。

在确定完成了AscendCL的所有调用之后，或者进程退出之前，需调用如下接口实现计算设备释放，AscendCL去初始化。

    void DestroyResource()
    {
        aclError ret = aclrtResetDevice(deviceId);
        aclFinalize();
    }

运行结果为：

在提示信息中，index表示类别标识、value表示该分类的最大置信度。

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”]

好了，到此基本结束，总的来说，CANN的具体接口与相应硬件和对应版本有关，但大体流程和思路是一样的，注意细节和接口就好，还是多看看文档吧。