當您點進這篇文章，我想肯定不需要過多的去向您介紹華為海思35xx系列芯片的型號參數或者強大之處。另外這個教程也是建立已經配置好環境，并掌握Ruyi Studio的基本使用前提下的。如果還沒有跑過其中的一些sample，網上也有一些教程，推薦看劉山老師的博客
作者：Hanson
首發知乎

疫情期間天天打游戲，感覺一陣罪惡，就將以前的做過的東西分享一下，希望能幫助到其他人。之后也會開源一些海思上的模型和inference代碼，比如retinaface等，歡迎關注

1.簡介

海思35xx系列芯片對比起nvidia TX2、Intel Movidius神經計算棒等一眾邊緣計算產品，有其驚艷的地方，因其集成了強大的算力模塊，集成度和功能模塊齊全，最重要的是成本低，成為了安防行業的首選芯片。但是也有一些麻煩的地方，主要是在于其開發難度的提高，大家都是摸著石頭過河（3288老玩家轉行也是能體會到痛苦的）。在轉自己的模型時，坑比想象的要多，并且海思官方SDK也存在一些錯誤之處，讓人很難捉摸，所以有時候需要自己多去獨立思考。這次我記錄了在轉換人臉識別模型mobilefacenet下了比較坑的三個點，畢竟是個新玩意兒，多半是版本發布時候不統一造成的：

• CNN_convert_bin_and_print_featuremap.py 代碼出現錯誤，cfg中的【image_list】這個字段并沒有在代碼中出現，代碼中只有【image_file】，因此需要修改這一地方；
• CNN_convert_bin_and_print_featuremap.py和Get Caffe Output這里的預處理方式都是先乘以【data_scale】，再減均值【mean_file】，而在量化生成 .mk 文件時卻是先減均值再乘以scale的
• 量化需要使用多張圖片，而CNN_convert_bin_and_print_featuremap.py各層產生的feature僅僅是一張圖片，這在做【Vector Comparision】時候就難以清楚的明白到底最后mk文件是第幾張圖像

2.目錄結構

3.mobilefacenet.cfg文件的配置

可以從github上下載mxnet2caffe的mobilefacenet模型,

首先要修改mobilefacenet.prototxt的輸入層以符合NNIE caffe網絡的結構標準

更改后如下：

而量化mk使用的【mean_file】pixel_mean.txt是特別需要注意的

我從agedb_30人臉數據庫里面挑選了10張圖像來做量化處理，為什么需要多張量化，請參考文章Int8量化-介紹（一），我們選擇【10.jpg】來做 【Vector Comparision】，其實就是imageList.txt里的排列在最后的那張圖片

具體配置如下：

[prototxt_file] ./mark_prototxt/mobilefacenet_mark_nnie_20190723102335.prototxt
[caffemodel_file] ./data/face/mobilefacenet.caffemodel
[batch_num] 256
[net_type] 0
[sparse_rate] 0
[compile_mode] 0
[is_simulation] 0
[log_level] 3
[instruction_name] ./data/face/mobilefacenet_inst
[RGB_order] RGB
[data_scale] 0.0078125
[internal_stride] 16
[image_list] ./data/face/images/imageList20190723102419.txt
[image_type] 1
[mean_file] ./data/face/pixel_mean.txt
[norm_type] 5

4.生成NNIE mk模型

Start [RuyiStudio Wk NNIE Mapper] [E:/Code/nnie/windows/RuyiStudio-2.0.31/workspace/HeilsFace/mobilefacenet.cfg] HeilsFace (2019-07-23 10:48:17)
Mapper Version 1.1.2.0_B050 (NNIE_1.1) 1812171743151709
begin net parsing....
.end net parsing
begin prev optimizing....
....end prev optimizing....
begin net quantalizing(GPU)....


....................**********************************************************
WARNING: file: Inference::computeNonlinearQuantizationDelta  line: 92
data containing only zeros; set max value to 1e-6.
**********************************************************
WARNING: file: Inference::computeNonlinearQuantizationDelta  line: 92
data containing only zeros; set max value to 1e-6.
.......................................


end quantalizing
begin optimizing....
.end optimizing
begin NNIE[0] mem allocation....
...end NNIE[0] memory allocating
begin NNIE[0] instruction generating....
.............end NNIE[0] instruction generating
begin parameter compressing....
.end parameter compressing
begin compress index generating....
end compress index generating
begin binary code generating....
...................................................................................
...................................................................................
..................................................................................
...................................................................................
.............end binary code generating
begin quant files writing....
end quant files writing
===============E:/Code/nnie/windows/RuyiStudio-2.0.31/workspace/HeilsFace/mobilefacenet.cfg Successfully!===============

結束之后會生成：

• mobilefacenet_inst.wk文件
• mapper_quant文件夾，里面有量化輸出的結果，如圖 Fig.4.1，也就是./data/face/images/10.jpg

Fig.4.1 [image_list]./data/face/images/imageList20190723102419.txt

記住，mk量化過程在【mapper_quant】文件夾中生成的features是最后一張圖片的inference結果，這也是文章最開始說的第三個存在問題的地方

5.Vector Comparision

這一步，主要就是對比量化前后模型輸出的精度損失，最重要的就是要debug一遍CNN_convert_bin_and_print_featuremap.py

因為這個腳本里確實藏了很多雷，我們先要比較原框架原模型inference的結果與這一腳本得出來的結果是否一致，如果存在不一致的情況，需要去核查一遍原因

文章開篇說到的第一個問題點 CNN_convert_bin_and_print_featuremap.py 中加載了mobilefacenet.cfg文件，但腳本中并不存在【image_list】這個字段，取而代之的是【image_file】這個字段

生成NNIE mk中，mobliefacenet.cfg 的【image_list】：

Fig.5.1 生成NNIE mk中的mobliefacenet.cfg

CNN_convert_bin_and_print_featuremap.py 中加載.cfg代碼片段：

因此需要根據實際情況修改 mobliefacenet.cfg ，這里最好是復制一份新的，舊的用于生成NNIE wk，在復制后的mobliefacenet.cfg中修改一下：

另外，我們需要特別注意預處理這一個環節，如文章開篇所闡述的第二點

我們注意到這里，data是uint8類型的array，是先乘以了【data_scale】的，也就是說和NNIE 生成wk中的操作順序是不一致的。

(data - 128.0) 0.0078125 <==> data 0.0078125 - 1

因此這里需要做的修改就是需要將【mean_file】pixel_mean.txt修改為

修改完以上，然后直接運行代碼，將最終模型提取的features fc1_output0_128_caffe.linear.float和caffe_forward.py中的進行比對，如果以上都沒問題，可以看到結果是幾乎一致的

caffe_forward.py生成的結果：

[-0.82475293 -0.33066949 -0.9848339   2.44199681 0.41715512  0.67809981   0.29879519  1.14293635 -0.42905819  0.32940909 -1.20455348  1.01217067 0.83146936 -0.84349883 -1.49177814 -0.91509151 -1.39441037  0.00413842  0.97043389 -1.77688181  0.28639579 -1.06645989 -0.8570649  -2.09743094 -0.1394622  -1.15035641 -0.81590587 -3.93798804 -0.35600579  1.90367532 1.27935755 -2.07778478 -0.42563218  0.06624207  1.02597868 -0.52002895 -0.905873   -0.41364694 -1.40032899 -1.37654066  0.03066693 -0.18659458 -1.53931415 -0.55896652  2.42570448 -0.3044413   0.18183242  0.50442797 -2.36735368 -0.12376076  0.15200013  0.13939141  0.56305337 -0.10047323 1.50704932  0.05429612 -1.97527623 -0.75790995  1.89399767  0.56089604
 -2.34883094  0.22600658  1.00399816 -0.55099922  1.77083731  0.10722937 2.21140814  0.06182361  0.03354079  0.97481596 -2.00423741  0.73168194 -1.79977489 -0.85182911 -0.06020565 -0.14835797 -1.93012297 -3.09269047 -0.60087907 -1.02915597  1.40985525  1.85411906 -1.21282506 -2.53264689 -0.63467324 -1.15255475 -0.59994221  0.21181655  1.30336523 -1.73625863 0.00861333  0.99906266  1.90666902  0.51179212  0.62143475  1.01997399 -1.65181398  1.55190873  0.43448481 -0.85371047 -0.68216199  1.28038061 0.4629558  -0.59671575  1.00122356  1.74233603  1.50384009  0.49827856 0.67030573 -1.20388556  1.00168729 -0.71768999  1.06416941 -2.55346298 -1.85579956 -2.18774438 -1.79652691  1.50856853  2.10628557  1.12313557 2.76396179  0.60242128  0.0550903  -1.31998527 -0.6896565  -0.07160443 1.21242583 -1.06733179]

CNN_convert_bin_and_print_featuremap.py生成的結果（由于特征值太多，就不一一打印出來了）：

然后在生成，并進行【Vector Comparision】，量化終于成功了

6.NNIE mobilefacenet板上特征提取

做完了模型的量化，就可以進行仿真或者是在板子上進行實際測試了，這一步的坑并不是很多，主要還是得靠一些編程技巧了，建議熟悉C語言，這部分要熟悉sample代碼，如果說非常熟悉c/c++混編，也可以使用c++。

1. 修改例程

這里我參考了博客，其寫法幾乎一致，如下Fig.6.1 Fig.6.2是我所修改的代碼片段，找到smp/a7_linux/mpp/sample/svp/nnie/sample/sample_nnie.c中該函數

void SAMPLE_SVP_NNIE_Cnn(void)

只用修改了該函數的前后兩處代碼

Fig.6.1 函數開頭修改pcSrcFile和pcModeName

Fig.6.2 函數結尾增加輸出層的打印信息

我們調用了 SAMPLE_SVP_NNIE_PrintReportResult 函數輸出兩個結果報表文件，結果分析當中會用到

seg0_layer38_output0_inst.linear.hex
seg0_layer3605_output0_inst.linear.hex

整段函數代碼參見文章末尾【附錄】

2. bgr文件的生成

注意到上文中我使用了pcSrcFile，這也是例程中主流的格式bgr，那么我們一般的圖片都是.jpeg格式的，為了更好的利用NNIE，所以就需要利用opencv來轉化以下。

首先.bgr文件是可以由opencv Mat轉換的，但完成轉換代碼的編寫之前我們必須清楚像素的空間排列順序。注意，以下轉換代碼簡單采用像素復制，并沒有考慮優化，運行會比較慢！參考博客

.bgr ==> BBBBBB...GGGGGG...RRRRRR

cv::Mat ==> BGRBGRBGR...BGRBGRBGR

.bgr --> cv::Mat

Fig.6.3 .bgr 轉 mat

/*bgr格式 轉 cv::Mat代碼 */
int bgr2mat(cv::Mat& img, int width, int height, int channel, const char* pth)
{
    if (pth)
    {
        FILE* fp;
        unsigned char *img_data = NULL;
        unsigned char *img_data_conv = NULL;
        img_data = (unsigned char*)malloc(sizeof(unsigned char) * width * height * channel);
        //unsigned char img_data[300 * 300 * 3];
        img_data_conv = (unsigned char*)malloc(sizeof(unsigned char) * width * height * channel);

        fp = fopen(pth, "rb");
        if (!fp)
        {
            return 0;
        }
        fread(img_data, 1, width * height * channel, fp);
        fclose(fp);

        for (size_t k = 0; k < channel; k++)
            for (size_t i = 0; i < height; i++)
                for (size_t j = 0; j < width; j++)
                    img_data_conv[channel * (i * width + j) + k] = img_data[k * height * width + i * width + j];
        img = cv::Mat(height, width, CV_8UC3, img_data_conv);
        //free(img_data_conv);
        //img_data_conv = NULL;
        free(img_data);
        img_data = NULL;
        return 1;
    }
    return 0;
}

cv::Mat -->.bgr

Fig.6.4 mat轉.bgr

/*cv::Mat 轉 bgr格式代碼 */
int mat2bgr(cv::Mat& img, const char* bgr_path)
{
    if (bgr_path)
    {
        FILE* fp = fopen(bgr_path, "wb");
        int step = img.step;
        int h = img.rows;
        int w = img.cols;
        int c = img.channels();
        std::cout << step<< std::endl;
        for (int k = 0; k < c; k++)
            for (int i = 0; i < h; i++)
                for (int j = 0; j < w; j++)
                {
                    //兩種寫法
                    //fwrite(&img.data[i*step + j * c + k], sizeof(uint8_t), 1, fp);
                    fwrite(&img.data[c*(i * w + j) + k], sizeof(uint8_t), 1, fp);
                }
        fclose(fp);
        //cv::Mat tmp;
        //bgr2mat(tmp, w, h, 3, bgr_path);
        //cv::imshow("tmp", tmp);
        //cv::waitKey(0);
        return 1;
    }
    return 0;
}

3. 模型額外問題

pc上運行
E:/Code/nnie/software/sample_simulator/Release/sample_simulator.exe

板上運行
/nfsroot/Hi3516CV500_SDK_V2.0.1.0/smp/a7_linux/mpp/sample/svp/nnie # ./sample_nnie_main 4

可能會出現如下（Fig.6.5，Fig.6.6）錯誤，原因是生成NNIE wk文件的mapper工具有版本要求，下面錯誤當中使用的nnie mapper 版本是V1.1.2.0，而指令仿真或者是板上的SDK是V1.2的，解決辦法就是使用nnie mapper V1.2版本重新生成一下wk模型，如（Fig.6.7），生成inst/chip.wk的時間比較久，在我機器上大概要2個小時，因為inst.wk實際上是需要進行參數壓縮和二進制代碼生成，這可能也是inst.mk比func.wk文件大的原因（如Fig.6.8），而生成func.wk的時間會比較短，建議在PC上調試的時候選擇func/simulation模型

Fig.6.5 PC運行仿真例程sample_simulator會出現該log

Fig.6.6 板上測試SDK修改的例程

Fig.6.7 改變工程依賴的NNIE版本為指定芯片

Fig.6.8 模型尺寸比較

4. 運行結果及分析

修改完sample_nnie.c中的代碼后，在宿主機上進行make，然后到海思板子上運行可執行文件即可

Fig.6.9 板上運行結果

拷貝出生成的兩個打印報表文件到Ruyi studio，進行比對測試

seg0_layer38_output0_inst.linear.hex
seg0_layer3605_output0_inst.linear.hex

如Fig.6.10，Fig.6.11，雖然說板上和仿真情況下還是會有一定的差別，但總體的誤差是比較小的，基本可以接受，如果無法接受，可以嘗試int16模型

Fig.6.10 量化模型在板子上的輸出結果和pc上的結果比對（cosine similarity > 99.6）

Fig.6.11 無量化caffe輸出與板上量化輸出比對（cosine similarity > 99.1）

7.附錄

void SAMPLE_SVP_NNIE_Cnn(void)
{
    HI_CHAR *pcSrcFile = "./data/nnie_image/rgb_planar/10.bgr";
    HI_CHAR *pcModelName = "./data/nnie_model/face/mobilefacenet_inst.wk";
    HI_U32 u32PicNum = 1;
    HI_S32 s32Ret = HI_SUCCESS;
    SAMPLE_SVP_NNIE_CFG_S   stNnieCfg = {0};
    SAMPLE_SVP_NNIE_INPUT_DATA_INDEX_S stInputDataIdx = {0};
    SAMPLE_SVP_NNIE_PROCESS_SEG_INDEX_S stProcSegIdx = {0};

    /*Set configuration parameter*/
    stNnieCfg.pszPic= pcSrcFile;
    stNnieCfg.u32MaxInputNum = u32PicNum; //max input image num in each batch
    stNnieCfg.u32MaxRoiNum = 0;
    stNnieCfg.aenNnieCoreId[0] = SVP_NNIE_ID_0;//set NNIE core
    s_stCnnSoftwareParam.u32TopN = 5;

    /*Sys init*/
    SAMPLE_COMM_SVP_CheckSysInit();

    /*CNN Load model*/
    SAMPLE_SVP_TRACE_INFO("Cnn Load model!/n");
    s32Ret = SAMPLE_COMM_SVP_NNIE_LoadModel(pcModelName,&s_stCnnModel);
    SAMPLE_SVP_CHECK_EXPR_GOTO(HI_SUCCESS != s32Ret,CNN_FAIL_0,SAMPLE_SVP_ERR_LEVEL_ERROR,
        "Error,SAMPLE_COMM_SVP_NNIE_LoadModel failed!/n");

    /*CNN parameter initialization*/
    /*Cnn software parameters are set in SAMPLE_SVP_NNIE_Cnn_SoftwareParaInit,
     if user has changed net struct, please make sure the parameter settings in
     SAMPLE_SVP_NNIE_Cnn_SoftwareParaInit function are correct*/
    SAMPLE_SVP_TRACE_INFO("Cnn parameter initialization!/n");
    s_stCnnNnieParam.pstModel = &s_stCnnModel.stModel;
    s32Ret = SAMPLE_SVP_NNIE_Cnn_ParamInit(&stNnieCfg,&s_stCnnNnieParam,&s_stCnnSoftwareParam);
    SAMPLE_SVP_CHECK_EXPR_GOTO(HI_SUCCESS != s32Ret,CNN_FAIL_0,SAMPLE_SVP_ERR_LEVEL_ERROR,
        "Error,SAMPLE_SVP_NNIE_Cnn_ParamInit failed!/n");

    /*record tskBuf*/
    s32Ret = HI_MPI_SVP_NNIE_AddTskBuf(&(s_stCnnNnieParam.astForwardCtrl[0].stTskBuf));
    SAMPLE_SVP_CHECK_EXPR_GOTO(HI_SUCCESS != s32Ret,CNN_FAIL_0,SAMPLE_SVP_ERR_LEVEL_ERROR,
        "Error,HI_MPI_SVP_NNIE_AddTskBuf failed!/n");

    /*Fill src data*/
    SAMPLE_SVP_TRACE_INFO("Cnn start!/n");
    stInputDataIdx.u32SegIdx = 0;
    stInputDataIdx.u32NodeIdx = 0;
    s32Ret = SAMPLE_SVP_NNIE_FillSrcData(&stNnieCfg,&s_stCnnNnieParam,&stInputDataIdx);
    SAMPLE_SVP_CHECK_EXPR_GOTO(HI_SUCCESS != s32Ret,CNN_FAIL_1,SAMPLE_SVP_ERR_LEVEL_ERROR,
        "Error,SAMPLE_SVP_NNIE_FillSrcData failed!/n");

    /*NNIE process(process the 0-th segment)*/
    stProcSegIdx.u32SegIdx = 0;
    s32Ret = SAMPLE_SVP_NNIE_Forward(&s_stCnnNnieParam,&stInputDataIdx,&stProcSegIdx,HI_TRUE);
    SAMPLE_SVP_CHECK_EXPR_GOTO(HI_SUCCESS != s32Ret,CNN_FAIL_1,SAMPLE_SVP_ERR_LEVEL_ERROR,
        "Error,SAMPLE_SVP_NNIE_Forward failed!/n");

    /*Software process*/
    /*if user has changed net struct, please make sure SAMPLE_SVP_NNIE_Cnn_GetTopN
     function's input datas are correct*/
    s32Ret = SAMPLE_SVP_NNIE_Cnn_GetTopN(&s_stCnnNnieParam,&s_stCnnSoftwareParam);
    SAMPLE_SVP_CHECK_EXPR_GOTO(HI_SUCCESS != s32Ret,CNN_FAIL_1,SAMPLE_SVP_ERR_LEVEL_ERROR,
        "Error,SAMPLE_SVP_NNIE_CnnGetTopN failed!/n");

    /*Print result*/
    SAMPLE_SVP_TRACE_INFO("Cnn result:/n");
    s32Ret = SAMPLE_SVP_NNIE_Cnn_PrintResult(&(s_stCnnSoftwareParam.stGetTopN),
        s_stCnnSoftwareParam.u32TopN);
    SAMPLE_SVP_CHECK_EXPR_GOTO(HI_SUCCESS != s32Ret,CNN_FAIL_1,SAMPLE_SVP_ERR_LEVEL_ERROR,
        "Error,SAMPLE_SVP_NNIE_Cnn_PrintResult failed!/n");

    /*Print results*/
    {
        printf("features:/n{/n");
        printf("stride: %d/n",s_stCnnNnieParam.astSegData[0].astDst[0].u32Stride);
        printf("blob type :%d/n",s_stCnnNnieParam.astSegData[0].astDst[0].enType);
        printf("{/n/tc :%d", s_stCnnNnieParam.astSegData[0].astDst[0].unShape.stWhc.u32Chn);
        printf("/n/th :%d", s_stCnnNnieParam.astSegData[0].astDst[0].unShape.stWhc.u32Height);
        printf("/n/tw :%d /n}/n", s_stCnnNnieParam.astSegData[0].astDst[0].unShape.stWhc.u32Width);
        HI_S32* ps32Score = (HI_S32* )((HI_U8* )s_stCnnNnieParam.astSegData[0].astDst[0].u64VirAddr);
        printf("blobs fc1:/n[");
        for(HI_U32 i = 0; i < 128; i++)
        {
            printf("%f ,",*(ps32Score + i) / 4096.f);
        }
        
        printf("]/n}/n");
    }
    s32Ret = SAMPLE_SVP_NNIE_PrintReportResult(&s_stCnnNnieParam);
    SAMPLE_SVP_CHECK_EXPR_GOTO(HI_SUCCESS != s32Ret, CNN_FAIL_1, SAMPLE_SVP_ERR_LEVEL_ERROR,"Error,SAMPLE_SVP_NNIE_PrintReportResult failed!");

CNN_FAIL_1:
    /*Remove TskBuf*/
    s32Ret = HI_MPI_SVP_NNIE_RemoveTskBuf(&(s_stCnnNnieParam.astForwardCtrl[0].stTskBuf));
    SAMPLE_SVP_CHECK_EXPR_GOTO(HI_SUCCESS != s32Ret,CNN_FAIL_0,SAMPLE_SVP_ERR_LEVEL_ERROR,
        "Error,HI_MPI_SVP_NNIE_RemoveTskBuf failed!/n");

CNN_FAIL_0:
    SAMPLE_SVP_NNIE_Cnn_Deinit(&s_stCnnNnieParam,&s_stCnnSoftwareParam,&s_stCnnModel);
    SAMPLE_COMM_SVP_CheckSysExit();
}

更多模型芯片端部署,請關注嵌入式AI專欄

審核編輯 黃昊宇