学习网站免费,开封开封县网站建设,做网站被骗预付款怎么办,奥迪互动平台前言#xff1a;记录自己安装TVM的流程#xff0c;以及一个简单的利用TVM编译模型并执行的示例。 1#xff0c;官网下载TVM源码 git clone --recursive https://github.com/apache/tvmgit submodule init
git submodule update顺便完成准备工作#xff0c;比如升级cmake版本…前言记录自己安装TVM的流程以及一个简单的利用TVM编译模型并执行的示例。 1官网下载TVM源码 git clone --recursive https://github.com/apache/tvmgit submodule init
git submodule update顺便完成准备工作比如升级cmake版本需要3.18及以上版本。还有如下库 sudo apt-get update
sudo apt-get install -y python3 python3-dev python3-setuptools gcc libtinfo-dev zlib1g-dev build-essential cmake libedit-dev libxml2-dev2安装clangllvmninja
llvm安装依赖clang和ninja所以直接安装llvm即可顺便完成全部的安装。
llvm ,clang安装参考Linux系统无痛编译安装LLVM简明指南_linux安装llvm11-CSDN博客
步骤如下 git clone gitgithub.com:llvm/llvm-project.gitcd llvm-project
mkdir buildcd buildsudo cmake ../llvm -DLLVM_TARGETS_TO_BUILDX86 -DCMAKE_BUILD_TYPEDebug
sudo make -j8
sudo make install 检查版本 clang --version
llvm-as --version 3安装NNPACK
NNPACK是为了优化加速神经网络的框架可以提高在CPU上的计算效率 git clone --recursive https://github.com/Maratyszcza/NNPACK.git
cd NNPACK
# Add PIC option in CFLAG and CXXFLAG to build NNPACK shared library
sed -i s|gnu99|gnu99 -fPIC|g CMakeLists.txt
sed -i s|gnu11|gnu11 -fPIC|g CMakeLists.txt
mkdir build
cd build
# Generate ninja build rule and add shared library in configuration
cmake -G Ninja -D BUILD_SHARED_LIBSON ..
ninja
sudo ninja install# Add NNPACK lib folder in your ldconfig
sudo sh -c echo /usr/local/lib /etc/ld.so.conf.d/nnpack.conf
sudo ldconfig4编译TVM
如下步骤在tvm建立build文件夹把config.cmake复制到build中 cd tvm
mkdir buildcp cmake/config.cmake build build里的config.cmake是编译配置文件可以按需打开关闭一些开关。下面是我修改的一些配置TENSORRT和CUDNN我以为之前已经配置好了结果编译报了这两个的错误如果只是想跑流程可以不打开这两个的开关这样就能正常编译结束了 set(USE_RELAY_DEBUG ON)
set(USE_CUDA ON)
set(USE_NNPACK ON)
set(USE_LLVM ON)
set(USE_TENSORRT_CODEGEN ON)
set(USE_TENSORRT_RUNTIME ON)
set(USE_CUDNN ON) 编译代码 cd build
cmake ..make -j125配置python环境
从build文件夹出来进入到tvm/python文件夹下执行如下命令即可配置python中的tvm库了。 cd ../python
python setup.py install python中使用tvm测试导入tvm不出错即配置tvm安装成功 import tvmprint(tvm.__version__) 6一个简单示例
该测试来自TVM官方文档的示例包括编译一个测试执行一个分类网络和编译器自动调优测试。仅先直观的看到TVM如何作为一个工具对模型编译并部署的流程。
1) 下载onnx模型 wget https://github.com/onnx/models/raw/b9a54e89508f101a1611cd64f4ef56b9cb62c7cf/vision/classification/resnet/model/resnet50-v2-7.onnx2) 编译onnx模型 python -m tvm.driver.tvmc compile --target llvm --input-shapes data:[1,3,224,224] --output resnet50-v2-7-tvm.tar resnet50-v2-7.onnx 如果报这样的警告 就在git上下载一份tophub把整个文件夹tophub复制到 ~/.tvm/路径下 git clone gitgithub.com:tlc-pack/tophub.git
sudo cp -r tophub ~/.tvm/ 解压生成的tvm编译模型得到3个文件 mod.so 作为一个C库的编译模型, 能被 TVM runtime加载 mod.json TVM Relay计算图的文本表示 mod.params onnx模型的预训练权重参数 mkdir model
tar -xvf resnet50-v2-7-tvm.tar -C model
ls model 3) 输入数据前处理 python preprocess.py 图像处理代码文件preprocess.py #!python ./preprocess.py
from tvm.contrib.download import download_testdata
from PIL import Image
import numpy as npimg_url https://s3.amazonaws.com/model-server/inputs/kitten.jpg
img_path download_testdata(img_url, imagenet_cat.png, moduledata)# Resize it to 224x224
resized_image Image.open(img_path).resize((224, 224))
img_data np.asarray(resized_image).astype(float32)# ONNX expects NCHW input, so convert the array
img_data np.transpose(img_data, (2, 0, 1))# Normalize according to ImageNet
imagenet_mean np.array([0.485, 0.456, 0.406])
imagenet_stddev np.array([0.229, 0.224, 0.225])
norm_img_data np.zeros(img_data.shape).astype(float32)
for i in range(img_data.shape[0]):norm_img_data[i, :, :] (img_data[i, :, :] / 255 - imagenet_mean[i]) / imagenet_stddev[i]# Add batch dimension
img_data np.expand_dims(norm_img_data, axis0)# Save to .npz (outputs imagenet_cat.npz)
np.savez(imagenet_cat, dataimg_data) 4) 运行编译模型 python -m tvm.driver.tvmc run --inputs imagenet_cat.npz --output predictions.npz resnet50-v2-7-tvm.tar 5) 输出后处理 python postprocess.py 执行之后得到分类结果的输出 classn02123045 tabby, tabby cat with probability0.621104
classn02123159 tiger cat with probability0.356378
classn02124075 Egyptian cat with probability0.019712
classn02129604 tiger, Panthera tigris with probability0.001215
classn04040759 radiator with probability0.000262后处理代码postprocess.py #!python ./postprocess.py
import os.path
import numpy as npfrom scipy.special import softmaxfrom tvm.contrib.download import download_testdata# Download a list of labels
labels_url https://s3.amazonaws.com/onnx-model-zoo/synset.txt
labels_path download_testdata(labels_url, synset.txt, moduledata)with open(labels_path, r) as f:labels [l.rstrip() for l in f]output_file predictions.npz# Open the output and read the output tensor
if os.path.exists(output_file):with np.load(output_file) as data:scores softmax(data[output_0])scores np.squeeze(scores)ranks np.argsort(scores)[::-1]for rank in ranks[0:5]:print(class%s with probability%f % (labels[rank], scores[rank])) 6) 编译器自动调优
调优的算法使用的是xgboost所以需要python安装一下这个库。 pip install xgboostpython -m tvm.driver.tvmc tune --target llvm --output resnet50-v2-7-autotuner_records.json resnet50-v2-7.onnx 7) 重新编译并执行调优后的模型 python -m tvm.driver.tvmc compile --target llvm --tuning-records resnet50-v2-7-autotuner_records.json --output resnet50-v2-7-tvm_autotuned.tar resnet50-v2-7.onnxpython -m tvm.driver.tvmc run --inputs imagenet_cat.npz --output predictions.npz resnet50-v2-7-tvm_autotuned.tarpython postprocess.py 预测结果
classn02123045 tabby, tabby cat with probability0.610552
classn02123159 tiger cat with probability0.367180
classn02124075 Egyptian cat with probability0.019365
classn02129604 tiger, Panthera tigris with probability0.001273
classn04040759 radiator with probability0.0002618) 比较编译前后执行模型的速度 python -m tvm.driver.tvmc run --inputs imagenet_cat.npz --output predictions.npz --print-time --repeat 100 resnet50-v2-7-tvm_autotuned.tarpython -m tvm.driver.tvmc run --inputs imagenet_cat.npz --output predictions.npz --print-time --repeat 100 resnet50-v2-7-tvm.tar执行时间如下上面是自动调优过的的可以明显看出推理时间上的优化效果。
Execution time summary:mean (ms) median (ms) max (ms) min (ms) std (ms) 84.6208 74.9435 143.9276 72.8249 19.0734 mean (ms) median (ms) max (ms) min (ms) std (ms) 131.1953 130.7819 140.6614 106.0725 3.5606
比较了一下两个编译后模型的Relay计算图json文件的区别就看到了算子数据layout的区别更多细节还是要看源码吧 参考TVM Ubuntu20安装_ubuntu20.04配置tvm_shelgi的博客-CSDN博客
