经过上面两篇的介绍，目前我们对昇腾和PyTorch模型迁移有了一定的了解，这里将首先快速体验运行样例以及开发一个图片分类应用。

申请云环境

1. 获取账号名。登录华为云->账号中心->基本信息

2. 获取项目ID。我的凭证->项目列表

然后去找小助手申请环境。 采用共享镜像，创建基于 Ascend 310 的环境，用户使用 HwHiAiUser。

速通样例

运行配置

• 创建好环境后，利用终端工具远程连接服务器。

• 首先更改/etc/passwd，设置HwHiAiUser使用的shell为bash

• 切换用户为HwHiAiUser

• 下载samples仓库

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

  

  由于我使用的环境CANN版本为6.0.RC1.alpha001，根据仓库说明，需要将样例仓库切换版本为v0.8.0

以YOLOV3_coco_detection_picture为例

YOLOV3_coco_detection_picture所在目录为samples/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture， 根据README.MD进行如下操作。

• 下载原始模型

  wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/Yolov3/yolov3.caffemodel
   wget <https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/Yolov3/yolov3.prototxt>
   wget <https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/YOLOV3_coco_detection_picture/aipp_nv12.cfg>

  

• 模型转换

  atc --model=yolov3.prototxt --weight=yolov3.caffemodel --framework=0 --output=yolov3 --soc_version=Ascend310 --insert_op_conf=aipp_nv12.cfg

  

• 进入脚本目录进行编译，架构选择x86

  cd $HOME/samples/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture/scripts
  
   bash sample_build.sh

  

• 运行样例 结果显示输入图片检测有狗，置信度为99%

应用开发

本节以C/C++接口的AscendCL为例开发一个图片分类应用，模型采用的是Caffe架构的ResNet-50网络，输入为分辨率是224*224的RGB图像，输出为Top5置信度的类别标签以及其对应的置信度。

代码所在样例仓库目录为/home/HwHiAiUser/samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification

模型应用分为四个步骤：准备模型、准备数据、编译程序、运行程序。

准备模型

首先，创建caffe_model文件夹用于储存模型，而后通过链接获得模型。

其次，需要将caffe模型转为昇腾的om模型。

atc --model=caffe_model/resnet50.prototxt --weight=caffe_model/resnet50.caffemodel --framework=0 --output=model/resnet50 --soc_version=Ascend310 --input_format=NCHW --input_fp16_nodes=data --output_type=FP32 --out_nodes=prob:0

参数说明

--model：原始模型文件路径。
--weight：权重文件路径。
--framework：原始框架类型。0：表示Caffe；1：表示MindSpore；3：表示TensorFlow；5：表示ONNX。
--soc\_version：昇腾AI处理器的版本。进入“CANN软件安装目录/compiler/data/platform_config”目录，".ini"文件的文件名即为昇腾AI处理器的版本，请根据实际情况选择。

--input\_format：输入数据的Format。
--input\_fp16\_nodes：指定输入数据类型为FP16的输入节点名称。
--output\_type和--out\_nodes：这2个参数配合使用，指定prob节点的第一个输出的数据类型为float32。
--output：生成的resnet50.om文件存放在“样例目录/model“目录下。

准备数据

在data文件夹中放置测试数据，

cd ./data
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog2_1024_683.jpg

而后利用图片转换脚本，将图片转为分辨率为224*224的RGB图像。

编译程序

首先，需要设置环境变量，这里开发环境与运行环境的操作系统架构相同，采用

export DDK_PATH=$HOME/Ascend/ascend-toolkit/latest # $HOME/Ascend表示ascend-toolkit按照目录
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub

其次，生成编译文件

mkdir -p build/intermediates/host
cd build/intermediates/host
cmake ../../../src -DCMAKE_CXX_COMPILER=g++ -DCMAKE_SKIP_RPATH=TRUE

最后，进行编译

make

运行程序

找到编译生成的main

执行

结语

至此，便完成了一个caffe模型在昇腾NPU设备上的迁移和推理，下篇将对本次使用的图片分类应用的源码进行解析。