BMNETC 使用¶

编译Caffe模型¶

BMNETC是针对caffe的模型编译器，可将某网络的caffemodel和prototxt编译成BMRuntime所需要的文件。而且在编译的同时，支持每一层的NPU模型计算结果都会和CPU的计算结果进行对比，保证正确性。下面介绍该编译器的使用方式。

安装需求
- python 3.x
- linux
配置步骤

参见sdk初始化步骤(https://sophgo-doc.gitbook.io/sophonsdk3/)

使用方法

方式一：命令形式

Command name: bmnetc - BMNet compiler command for Caffe model

/path/to/bmnetc [--model=<path>] \
                [--weight=<path>] \
                [--shapes=<string>] \
                [--net_name=<name>] \
                [--opt=<value>] \
                [--dyn=<bool>] \
                [--outdir=<path>] \
                [--target=<name>] \
                [--cmp=<bool>] \
                [--mode=<string>] \
                [--enable_profile=<bool>] \
                [--show_args] \
                [--list_ops]

参数介绍如下：

其中mode为compile表示编译float模型。为GenUmodel表示生成SOPHGO定义的统一model，可后续通过SOPHGO定点化工具进行INT8定点化生成INT8 model。为check表示检查网络graph算子是否支持。

GenUmodel模式下，参数opt、dyn、target、cmp将没有意义，无需指定。

参数dyn=false表示使用静态编译，dyn=true表示使用动态编译。静态编译意思是model编译后，在runtime时只能运行编译所设置的shapes。动态编译意思是model编译后，runtime时可以运行任意shapes，只要实际shapes中的数值小于等于编译所设置shapes中的数值。一般来说，动态编译后神经网络在芯片上的性能要小于等于静态编译。所以一般建议动态编译用于实际网络的shapes会大范围变化的情况，如果shapes固定或者只需要几种shapes，建议采用静态编译。关于静态编译下如何支持若干种shapes，请见bmodel说明。

表 1 bmnetc参数说明¶
args	type	Description
model	string	Necessary. Caffe prototxt path
weight	string	Necessary. Caffemodel(weight) path
shapes	string	Optional. Shapes of all inputs, default use the shape in prototxt, format [x,x,x,x],[x,x]…, these correspond to inputs one by one in sequence
net_name	string	Optional. Name of the network, default use the name in prototxt
opt	int	Optional. Optimization level. Option: 0, 1, 2, default 2.
dyn	bool	Optional. Use dynamic compilation, default false.
outdir	string	Optional. Output directory, default “compilation”
target	string	Optional. BM1684 or BM1684X; default: BM1684
cmp	bool	Optional.Check result during compilation. Default: true
mode	string	Optional. Set bmnetc mode. Option: compile, GenUmodel, check. Default: compile.
enable_profile	bool	Optional. Enable profile log. Default: false
show_args		Optional. Display arguments passed to bmnetc compiler.
list_ops		Optional. List bmnetc supported ops.

examples:

以下是编译float32的caffe model命令示例

/path/to/bmnetc --model=/path/to/prototxt --weight=/path/to/caffemodel --shapes=[1,3,224,224] --net_name=resnet18 --outdir=./resnet18 target=BM1684

以下是生成Umodel的示例

/path/to/bmnetc --mode=GenUmodel --model=/path/to/prototxt --weight=/path/to/caffemodel --shapes=[1,3,224,224] --net_name=resnet18 --outdir=./resnet18

方式二：python接口

bmnetc的python接口如下, 需要 pip3 install --user bmnetc-x.x.x-py2.py3-none-any.whl 。

以下是编译float32的caffe model的python接口。

import bmnetc
## compile fp32 model
bmnetc.compile(
  model = "/path/to/prototxt",    ## Necessary
  weight = "/path/to/caffemodel", ## Necessary
  target = "BM1684",              ## Necessary
  outdir = "xxx",                 ## optional, default 'compilation'
  shapes = [[x,x,x,x], [x,x,x]],  ## optional, if not set, default use shape in prototxt
  net_name = "name",              ## optional, if not set, default use the network name in prototxt
  opt = 2,                        ## optional, if not set, default equal to 2
  dyn = False,                    ## optional, if not set, default equal to False
  cmp = True,                     ## optional, if not set, default equal to True
  enable_profile = False          ## optional, if not set, default equal to False
)

以下是生成Umodel的python接口。

import bmnetc
## Generate SOPHGO U model
bmnetc.GenUmodel(
  model = "/path/to/prototxt",    ## Necessary
  weight = "/path/to/caffemodel", ## Necessary
  outdir = "xxx",                 ## optional, default 'compilation'
  shapes = [[x,x,x,x], [x,x,x]],  ## optional, if not set, default use shape in prototxt
  net_name = "name"               ## optional, if not set, default use the network name in prototxt
)

以下是使用bmnetc python的例子：

import bmnetc

model = r'../../../nnmodel/caffe_models/lenet/lenet_train_test_thin_4.prototxt'
weight = r'../../../nnmodel/caffe_models/lenet/lenet_thin_iter_1000.caffemodel'
target = r"BM1684"
export_dir = r"./compilation"
shapes = [[1,1,28,28],[1]]

bmnetc.compile(model = model, weight = weight, target = target, outdir = export_dir, shapes = shapes)
bmnetc.GenUmodel(weight = weight, model = model, net_name = "lenet")

以下是list_ops的python接口。

import bmnetc
## List all supported ops
bmnetc.list_ops()

以下是check_graph的python接口。

import bmnetc
## Check supported ops in model
bmnetc.check_graph(MODEL_FILE)

bmnetc输出和log

bmnetc若成功，输出的log最后会看到以下信息。

######################################
# Store bmodel of BMCompiler.
######################################

bmnetc成功后，将在指定的文件夹中生成一个compilation.bmodel的文件，该文件则是转换成功的bmodel，用户可以重命名。

若用户在bmnetc时使用了cmp=true模式，则会在指定的文件夹中生成一个input_ref_data.dat和一个output_ref_data.dat，分别是Caffe产生的网络输入参考数据和网络输出参考数据，可用于bmrt_test验证生成的bmodel在芯片运行时结果是否正确。

若没有上述信息，则bmnetc失败。目前失败的话，用户可以修改opt优化选项，可能其它优化级别会成功，从而不会耽误用户部署。然后请用户将失败的问题告知我们的客户支持。

实现Caffe自定义Layer¶

详细请见BMNETC插件工具 BMNET 前端插件。