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=Ascend− --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。
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。
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
− 获取更多样例，请单击
− 获取在线视频课程，请单击
- 点赞
- 收藏
- 关注作者
评论（0）