执行模型转换

1. 选择“AscendCL C++”，单击“Next”，浏览器会跳转至对应的Gitee代码仓界面。
2. 在Gitee代码仓页面下单击“克隆/下载 > 复制”，复制代码包下载链接。
3. 在开发环境执行命令：git clone URL（其中URL为复制的代码包下载链接），直接将代码包克隆到开发环境。

   git clone https://gitee.com/ascend/samples.git

4. 回到MindStudio，单击工具栏中的，选择克隆的工程中~/MindstudioProjects/samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification样例打开。

   应用工程目录如图2所示。

   图2 应用工程目录
   

单击Link下载ResNet-50网络的模型文件（*.onnx），单击Link下载ResNet-50网络模型的代码包，并以MindStudio安装用户将获取的文件上传至MindStudio安装服务器解压。

需要先按照如下步骤将第三方模型转换为适配昇腾AI处理器的离线模型的离线模型（*.om文件）。

1. 单击菜单栏“Ascend > Model Converter”打开模型转换页面，在“Model Information”界面中配置模型文件（Model File），界面参考如图3所示。
   图3 配置模型信息
   
2. 单击“Next”，进入“Data Pre-Processing”配置数据预处理页签（FP32无需进行数据预处理），界面参考如图4所示。
   图4 配置数据预处理功能
   
3. 单击“Next”，进入“Advanced Options Preview”高级选项配置页签，界面参考如图5所示。
   图5 高级选项配置
   

   专家系统要求在模型转换时在“Additional Argument”下增加如下接口配置：

   --debug_dir=${HOME}/MindstudioProjects/samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification/debug/
   # 配置输出的调试信息文件目录，${HOME}为工程所在的家目录，若不存在debug目录则需要手动创建
   --op_debug_level=4
   # 生成TBE指令映射文件（算子cce文件*.cce），文件在--debug_dir路径下生成的kernel_meta_*目录下，例如：${HOME}/MindstudioProjects/MyApp/debug/kernel_meta_*
   --enable_small_channel=1
   --insert_op_conf=${HOME}/MindstudioProjects/samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification/model/ResNet50_for_PyTorch_1.4_code/infer/convert/aipp_resnet50.aippconfig
   # --enable_small_channel与--insert_op_conf配合开启算子融合功能。insert_op_conf指定为ResNet-50网络模型代码包ResNet50_for_PyTorch_1.4_code中的aipp_resnet50.aippconfig文件。

4. 单击“Finish”，开始进行模型转换。

   在MindStudio界面下方，“Output”窗口会显示模型转换过程中的日志信息，如果提示“Model converted successfully”，则表示模型转换成功。“Output”窗口会显示模型转换所用的命令、所设置的环境变量、模型转换的结果、模型输出路径以及模型转换日志路径等信息。

   模型转换完毕，在服务器后台路径（Output Path）下会生成用于运行环境运行的*.om模型文件。