概述

本示例工程中我們會在 TensorFlow2 下使用 Keras API 創建一個自定義 CNN 網絡，在 Vitis-AI 1.3 環境下編譯成 Xilinx DPU 上運行的模型文件，并在 Xilinx zynqMP 上部署運行。

該示例工程應在 Vitis-AI1.3 Docker，vitis-ai-tensorflow2conda 環境中運行。

有關Mnist手寫數字數據集，請參見http://yann.lecun.com/exdb/mnist/。

在該例程中我們會演示以下的步驟：

使用 TensorFlow2 訓練和評估小型自定義卷積神經網絡

對浮點模型進行量化 （quantization）

對量化模型進行評估

使用校準數據集對訓練后的模型進行微調 （finetuning）

編譯量化和微調的模型，以創建 .xmodel 文件，準備在 DPU 加速器 IP 上執行在 zynqMP 評估板上下載并運行該模型

代碼說明

可從下面的 github 頁面獲得源碼。

https://github.com/lobster1989/Mnist-classification-Vitis-AI-1.3-TensorFlow2

Python 及 Shell 腳本源碼說明如下：

load_data.py：下載 Mnist 數據集；

generate_images.py：從 Keras 在線數據集生成本地圖像文件；

train.py：創建和訓練用于 Mnist 分類的簡單 CNN 模型， 經過訓練的浮點模型將被保存到本地；

quantize.py：使用 VitisQuantizer 量化前一個步驟保存的浮點模型，量化后的模型將被保存到本地；

eval_quantized.py：評估量化模型的 accuracy；

finetune.py：利用 Vitis-AI 進行模型微調（僅作演示，后續編譯部署的為 quantize 步驟保存的模型）；

compile_zcu102.sh/compile_zcu104.sh：啟動 vai_c_tensorflow2 命令以將量化或微調的模型編譯為供 DPU 運行的 .xmodel 文件。兩個文件分別對應目標為 zcu102 和 zcu104 開發板；

make_target_zcu102.sh/make_target_zcu104.sh：將.xmodel和圖像復制到 。/target_zcu10x 文件夾中，準備好將其復制到 zcu102/zcu104 評估板的 SD 卡中。

模型創建/量化/編譯

在運行此部分之前，我們應在 Vitis-AI docker 環境下激活 vitis-ai-tensorflow2anaconda 環境。有關更多詳細信息，請參閱最新版本的 UG1414。

（vitis-ai-tensorflow2） Vitis-AI /workspace/myproj/tf2-mnist-end-to-end 》 python train.py

Load Mnist dataset.。

Create custom cnn.。

Model： “mnist_customcnn_model”

_________________________________________________________________

Layer （type） Output Shape Param #

=================================================================

input_1 （InputLayer） ［（None， 28， 28， 1）］ 0

_________________________________________________________________

conv2d （Conv2D） （None， 26， 26， 32） 320

_________________________________________________________________

max_pooling2d （MaxPooling2D） （None， 13， 13， 32） 0

_________________________________________________________________

conv2d_1 （Conv2D） （None， 11， 11， 64） 18496

_________________________________________________________________

max_pooling2d_1 （MaxPooling2 （None， 5， 5， 64） 0

_________________________________________________________________

conv2d_2 （Conv2D） （None， 3， 3， 64） 36928

_________________________________________________________________

flatten （Flatten） （None， 576） 0

_________________________________________________________________

dense （Dense） （None， 64） 36928

_________________________________________________________________

dense_1 （Dense） （None， 10） 650

=================================================================

Total params： 93，322

Trainable params： 93，322

Non-trainable params： 0

_________________________________________________________________

Fit on dataset.。

Epoch 1/10

782/782 ［==============================］ - 13s 16ms/step - loss： 0.1843 - accuracy： 0.9427 - val_loss： 0.0701 - val_accuracy： 0.9813

Epoch 2/10

782/782 ［==============================］ - 5s 7ms/step - loss： 0.0529 - accuracy： 0.9835 - val_loss： 0.0543 - val_accuracy： 0.9855

Epoch 3/10

782/782 ［==============================］ - 5s 7ms/step - loss： 0.0346 - accuracy： 0.9894 - val_loss： 0.0472 - val_accuracy： 0.9877

Epoch 4/10

782/782 ［==============================］ - 5s 7ms/step - loss： 0.0252 - accuracy： 0.9929 - val_loss： 0.0463 - val_accuracy： 0.9878

Epoch 5/10

782/782 ［==============================］ - 5s 7ms/step - loss： 0.0188 - accuracy： 0.9945 - val_loss： 0.0494 - val_accuracy： 0.9896

Epoch 6/10

782/782 ［==============================］ - 5s 7ms/step - loss： 0.0147 - accuracy： 0.9956 - val_loss： 0.0513 - val_accuracy： 0.9901

Epoch 7/10

782/782 ［==============================］ - 5s 7ms/step - loss： 0.0121 - accuracy： 0.9966 - val_loss： 0.0452 - val_accuracy： 0.9920

Epoch 8/10

782/782 ［==============================］ - 5s 7ms/step - loss： 0.0096 - accuracy： 0.9973 - val_loss： 0.0542 - val_accuracy： 0.9906

Epoch 9/10

782/782 ［==============================］ - 5s 7ms/step - loss： 0.0088 - accuracy： 0.9976 - val_loss： 0.0640 - val_accuracy： 0.9893

Epoch 10/10

782/782 ［==============================］ - 5s 7ms/step - loss： 0.0073 - accuracy： 0.9978 - val_loss： 0.0709 - val_accuracy： 0.9893

Save trained model to./models/float_model.h5.

Evaluate model on test dataset.。

157/157 ［==============================］ - 1s 3ms/step - loss： 0.0426 - accuracy： 0.9911

loss： 0.043

acc： 0.991

（vitis-ai-tensorflow2） Vitis-AI /workspace/myproj/tf2-mnist-end-to-end 》 python quantize.py

Load float model.。

Load Mnist dataset.。

Run quantization.。

［INFO］ Start CrossLayerEqualization.。.

10/10 ［==============================］ - 0s 32ms/step

［INFO］ CrossLayerEqualization Done.

［INFO］ Start Quantize Calibration.。.

157/157 ［==============================］ - 12s 77ms/step

［INFO］ Quantize Calibration Done.

［INFO］ Start Generating Quantized Model.。.

［Warning］ Skip quantize pos adjustment for layer quant_dense， its quantize pos is ［i=None， w=8.0， b=9.0， o=3.0］

［INFO］ Generating Quantized Model Done.

Saved quantized model as 。/models/quantized_model.h5

（vitis-ai-tensorflow2） Vitis-AI /workspace/myproj/tf2-mnist-end-to-end 》 python eval_quantized.py

Load quantized model.。

WARNINGNo training configuration found in the save file， so the model was *not* compiled. Compile it manually.

Load Mnist dataset.。

Compile model.。

Evaluate model on test Dataset

157/157 ［==============================］ - 4s 22ms/step - loss： 0.0417 - accuracy： 0.9913

loss： 0.042

acc： 0.991

（vitis-ai-tensorflow2） Vitis-AI /workspace/myproj/tf2-mnist-end-to-end 》 python finetune.py

Load float model.。

Load Mnist dataset.。

Create quantize training model.。

［INFO］ Start CrossLayerEqualization.。.

10/10 ［==============================］ - 0s 33ms/step

［INFO］ CrossLayerEqualization Done.

Compiling model.。

Fit on Dataset.。

Epoch 1/10

782/782 ［==============================］ - 48s 61ms/step - loss： 0.0077 - accuracy： 0.9978 - val_loss： 0.0738 - val_accuracy： 0.9882

Epoch 2/10

782/782 ［==============================］ - 39s 50ms/step - loss： 0.0062 - accuracy： 0.9980 - val_loss： 0.0845 - val_accuracy： 0.9888

Epoch 3/10

782/782 ［==============================］ - 40s 51ms/step - loss： 0.0058 - accuracy： 0.9983 - val_loss： 0.0810 - val_accuracy： 0.9885

Epoch 4/10

782/782 ［==============================］ - 40s 51ms/step - loss： 0.0061 - accuracy： 0.9982 - val_loss： 0.0744 - val_accuracy： 0.9902

Epoch 5/10

782/782 ［==============================］ - 40s 51ms/step - loss： 0.0048 - accuracy： 0.9984 - val_loss： 0.0834 - val_accuracy： 0.9911

Epoch 6/10

782/782 ［==============================］ - 39s 50ms/step - loss： 0.0047 - accuracy： 0.9986 - val_loss： 0.0807 - val_accuracy： 0.9893

Epoch 7/10

782/782 ［==============================］ - 39s 50ms/step - loss： 0.0039 - accuracy： 0.9987 - val_loss： 0.0894 - val_accuracy： 0.9903

Epoch 8/10

782/782 ［==============================］ - 39s 50ms/step - loss： 0.0034 - accuracy： 0.9989 - val_loss： 0.0863 - val_accuracy： 0.9904

Epoch 9/10

782/782 ［==============================］ - 39s 49ms/step - loss： 0.0042 - accuracy： 0.9989 - val_loss： 0.1043 - val_accuracy： 0.9893

Epoch 10/10

782/782 ［==============================］ - 39s 50ms/step - loss： 0.0044 - accuracy： 0.9986 - val_loss： 0.0994 - val_accuracy： 0.9908

Saved finetuned model as 。/models/finetuned_model.h5

Evaluate model on test Dataset.。

157/157 ［==============================］ - 1s 7ms/step - loss： 0.0675 - accuracy： 0.9920

loss： 0.068

acc： 0.992

（vitis-ai-tensorflow2） Vitis-AI /workspace/myproj/tf2-mnist-end-to-end 》 bash -x compile_zcu102.sh

+ ARCH=/opt/vitis_ai/compiler/arch/DPUCZDX8G/ZCU102/arch.json

+ OUTDIR=。/compiled_model

+ NET_NAME=customcnn

+ MODEL=。/models/finetuned_model.h5

+ echo -----------------------------------------

-----------------------------------------

+ echo ‘COMPILING MODEL FOR ZCU102.?！?/p>

COMPILING MODEL FOR ZCU102.。

+ echo -----------------------------------------

-----------------------------------------

+ compile

+ tee compile.log

+ vai_c_tensorflow2 --model 。/models/finetuned_model.h5 --arch /opt/vitis_ai/compiler/arch/DPUCZDX8G/ZCU102/arch.json --output_dir 。/compiled_model --net_name customcnn

/opt/vitis_ai/conda/envs/vitis-ai-tensorflow2/lib/python3.7/site-packages/xnnc/translator/tensorflow_translator.py H5pyDeprecationWarning： dataset.value has been deprecated. Use dataset［（）］ instead.

value = param.get（group）.get（ds）.value

［INFO］ parse raw model ：100%|██████████| 10/10 ［00:00《00:00， 16871.70it/s］

［INFO］ infer shape （NHWC） ：100%|██████████| 26/26 ［00:00《00:00， 2956.30it/s］

［INFO］ generate xmodel ：100%|██████████| 26/26 ［00:00《00:00， 5561.60it/s］

［INFO］ Namespace（inputs_shape=None， layout=‘NHWC’， model_files=［‘。/models/finetuned_model.h5’］， model_type=‘tensorflow2’， out_filename=‘。/compiled_model/customcnn_org.xmodel’， proto=None）

［INFO］ tensorflow2 model： models/finetuned_model.h5

［OPT］ No optimization method available for xir-level optimization.

［INFO］ generate xmodel： /workspace/myproj/tf2-mnist-end-to-end/compiled_model/customcnn_org.xmodel

［UNILOG］［INFO］ The compiler log will be dumped at “/tmp/vitis-ai-user/log/xcompiler-20210325-093926-3120”

［UNILOG］［INFO］ Target architecture： DPUCZDX8G_ISA0_B4096_MAX_BG2

［UNILOG］［INFO］ Compile mode： dpu

［UNILOG］［INFO］ Debug mode： function

［UNILOG］［INFO］ Target architecture： DPUCZDX8G_ISA0_B4096_MAX_BG2

［UNILOG］［INFO］ Graph name： mnist_customcnn_model， with op num： 42

［UNILOG］［INFO］ Begin to compile.。.

［UNILOG］［INFO］ Total device subgraph number 3， DPU subgraph number 1

［UNILOG］［INFO］ Compile done.

［UNILOG］［INFO］ The meta json is saved to “/workspace/myproj/tf2-mnist-end-to-end/。/compiled_model/meta.json”

［UNILOG］［INFO］ The compiled xmodel is saved to “/workspace/myproj/tf2-mnist-end-to-end/。/compiled_model/customcnn.xmodel”

［UNILOG］［INFO］ The compiled xmodel‘s md5sum is 764142e83d074ea9470b9eb9d0757f68， and been saved to “/workspace/myproj/tf2-mnist-end-to-end/。/compiled_model/md5sum.txt”

**************************************************

* VITIS_AI Compilation - Xilinx Inc.

**************************************************

+ echo -----------------------------------------

-----------------------------------------

+ echo ’MODEL COMPILED‘

MODEL COMPILED

+ echo -----------------------------------------

-----------------------------------------

（vitis-ai-tensorflow2） Vitis-AI /workspace/myproj/tf2-mnist-end-to-end 》 bash -x make_target_zcu102.sh

+ echo -----------------------------------------

-----------------------------------------

+ echo ’MAKE TARGET ZCU102 STARTED.?！?/p>

MAKE TARGET ZCU102 STARTED.。

+ echo -----------------------------------------

-----------------------------------------

+ TARGET_ZCU102=。/target_zcu102

+ COMPILE_ZCU102=。/compiled_model

+ APP=。/application

+ NET_NAME=customcnn

+ rm -rf 。/target_zcu102

+ mkdir -p 。/target_zcu102/model_dir

+ cp 。/application/app_mt.py 。/target_zcu102

+ echo ’ Copied application to TARGET_ZCU102 folder‘

Copied application to TARGET_ZCU102 folder

+ cp 。/compiled_model/customcnn.xmodel 。/target_zcu102/model_dir/。

+ echo ’ Copied xmodel file（s） to TARGET_ZCU102 folder‘

Copied xmodel file（s） to TARGET_ZCU102 folder

+ mkdir -p 。/target_zcu102/images

+ python generate_images.py --dataset=mnist --image_dir=。/target_zcu102/images --image_format=jpg --max_images=10000

2021-03-25 0934.445257： I tensorflow/stream_executor/platform/default/dso_loader.cc:48］ Successfully opened dynamic library libcudart.so.10.1

Command line options：

--dataset ： mnist

--subset ： test

--image_dir ： 。/target_zcu102/images

--image_list ：

--label_list ：

--image_format ： jpg

--max_images ： 10000

+ echo ’ Copied images to TARGET_ZCU102 folder‘

Copied images to TARGET_ZCU102 folder

+ echo -----------------------------------------

-----------------------------------------

+ echo ’MAKE TARGET ZCU102 COMPLETED‘

MAKE TARGET ZCU102 COMPLETED

+ echo -----------------------------------------

-----------------------------------------

在 ZynqMP 評估板上運行

進行電路板設置。

之后，將 target_zcu10x 目錄中的所有文件復制到 SD 卡。從 SD 卡啟動 ZCU10x（下面實例運行的是 zcu104），運行 app_mt.py。結果顯示，實際運行模型的精度為 99.13%.

root@xilinx-zcu104-2020_2：~/target_zcu104# python3 app_mt.py --threads 4

Command line options：

--image_dir ： images

--threads ： 4

--model ： model_dir/customcnn.xmodel

Pre-processing 10000 images.。.

Starting 4 threads.。.

Throughput=5622.61 fps， total frames = 10000， time=1.7785 seconds

Correct:9913， Wrong:87， Accuracy:0.9913

原文標題：開發者分享 | Vitis-AI 1.3/TensorFlow2 環境下使用自定義 CNN 模型進行 Mnist 分類

文章出處：【微信公眾號：XILINX技術社區】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq