1.1下载Mindstudio 

MindStudio下载-昇腾社区 (hiascend.com) 

https://www.hiascend.com/software/mindstudio/download 

申请镜像：进入网页  https://www.huaweicloud.com/ 

 右上方点击：用户名 > 我的凭证，选择 API凭证

 
 复制 华北-北京四 的项目ID提交给昇腾官方人员，将会用于分享包含环境的ECS镜像，便于挂载之后直接使用，无需安装CANN、MindX SDK等。 

1.2.1接收镜像 

选择 共享镜像 标签 > 全部接受 接受镜像建立ECS服务器并加载镜像 

1.2.2建立ECS服务器并加载镜像

购买弹性云服务器 

 云服务器名称：ecs-Zixin；用户名：root；密码自己设置  

确认购买，记录IP和密码，即可通过MindStudio的SSH Manager连接使用。 

1.3 MobaXterm登录SSH 

打开Session 

输入弹性云设置的账号名与密码

配置完成

1.4 配置CANN 

新建project 

填写SSH信息 

连接成功 

镜像中CANN包地址： /usr/local/Ascend/ascend-toolkit/6.0.RC1 

配置完成。 

2.1准备工作 

在gitee上下载代码 

samples: https://gitee.com/ascend/samples/tree/master/python/contrib/cartoonGAN_picture 

mkdir test1 
cd test1

下载原始模型文件 

 下载对应的cfg文件文件 

下载成功 

 也可以在本地下载原始模型：获得model文件夹的路径 
 将原始模型和转换文件复制到该路径下 
 原始模型链接： 
 https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/cartoonization/cartoonization.pb 
转换文件链接： 
 https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/cartoonization/insert_op.cfg 
可以看到项目中的文件更新

 
 将网址的图片保存到data目录下 

https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/cartoonGAN_picture/scenery.jpg

或者直接通过终端控制获取样例需要的测试图片：进入data文件夹并下载图片

cd data

wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/cartoonGAN_picture/scenery.jpg

2.2模型转换 

原始网络模型是TensorFLow框架模型，而昇腾CANN软件栈需要的模型是.om离线模型，因此，需要通过ATC模型转换工具将.pb文件转换为Ascend 310处理器支持的Davinci模型文件。 

2.3配置SDK

 镜像中CANN包地址： /usr/local/Ascend/ascend-toolkit/6.0.RC1 
 镜像中MindX SDK地址：/usr/local/Ascend/mxManufacture-3.0.RC3 
 可以看到SDK 成功启用 
 同步ECS上的SDK：File -- Project Structure -- Platform Settings -- SDK 
 2.4配置运行

 
 远端运行：选择Ascend training 
 本地运行：选择python与对应的SDK 

进入远端src文件夹 

执行命令：运行 

  3.1实验内容与目标 

       3.1.1实验内容 

本实验主要介绍了基于昇腾CANN平台的卡通图像生成应用的开发方法。该应用选用的是CartoonGAN模型，以彩色图像做输入，将原始图像变为一张卡通图像。通过该实验，您可以了解如何在昇腾平台上实现一个基于CartoonGAN模型的推理应用。 

 3.1.2实验目标 

1.掌握一个基于昇腾CANN平台的推理应用的基本结构。 

2.理解CartoonGAN模型的网络结构及其数据预处理/后处理方式 

     3.2网络结结构

CartoonGAN模型原理如下图所示，以Generative Adversarial Networks(GAN)为基础，其架构包括一个生成器（Generator）和一个判别器（Discriminator），对于生成器，它希望生成样本尽可能符合真实样本的分布，而判别器则希望尽可能的区分真实样本与生成样本，通过迭代训练两个网络（即生成器和判别器），生成图像卡通化的结果，该模型将生成器替换为自编码结构，使得生成器具有更强的生成能力。 

编码器输入为真实图片 ，其架构由7×7的卷积核，步长为1的卷积层开始，随后紧跟两个降采样块（步长为2），对特征进行提取，对风格图片生成有用的信息将在这个过程中被提取，然后紧接4个残差块（Residual Block），用来重建内容特征。解码器架构由5个残差块开始，通过两个上采样块（步长为2）来实现对不同风格特征的重建，最后在添加一层使用7×7卷积核、步长为1的卷积层，得到最终输出生成的卡通图片结果。 

为了辅助生成器生成更好的结果，判别器需要判断输出图像是否是真实的卡通图片。因为判断是否真实依赖于图片本身特征，不需要抽取最高层的图片特征信息，所以设计成较为浅层的框架，首先对输入进行卷积核为3x3的卷积，然后紧接两个步长为2的卷积块来降低分辨率，并且提取重要的特征信息，最后使用一个3×3的卷积层得到最终提取的特征，再与真实标签进行损失计算。 

​

        3.3.1原始模型的预处理和后处理方法  

在Github能够找到其测试脚本 https://github.com/taki0112/CartoonGAN-Tensorflow/tree/890decc647fbfd90a5314290b2771c496562ada8 

     3.3.2昇腾CANN平台上模型预处理和后处理方法 

1）预处理 

基于对原始模型的理解，以及对DVPP和AIPP的了解，在图像预处理时DVPP和AIPP如下分工： 

DVPP: 

1.解码：JPEG图片先解码为YUV420SP,输出宽128，高16对齐，若输入原始图像大小为(500, 375) 经过解码后图像大小变为（512， 384） 

2.图像缩放：使用DVPP的VPC接口将图像缩放为模型要求的大小（256，256），要求宽16，高2对齐，将（512，384）图像缩放到（256，256） 

AIPP： 

1.色域转换：YUV->RGB 

2.图像标准化，AIPP配置mean_chn=[127,127,127] min_chn=[0.5,0.5,0.5] var_reci_chn=[0.007874,0.007874,0.007874] 

2）后处理 

根据原始模型图像后处理流程，将图像像素转换到[0,255]，然后进行保存。 

4.开发步骤和关键代码分析 

  4.1运行管理资源申请 

运行管理资源申请的功能封装在了函数中。 

  4.2加载模型文件，构建模型输出内存 

1)加载本地om模型文件到内存中，并创建并获取模型的描述信息，此函数功能封装在class Model的init_resource函数中。对应文件是acl_model.py 

ACL库内置数据类型说明：aclmdlDataset主要用于描述模型推理时的输入数据或输出数据，模型可能存在多个输入、多个输出，每个输入或输出的内存地址、内存大小用aclDataBuffer类型的数据来描述。对应文件是acl_model.py 

  4.3读取本地图像数据并进行预处理 

读取本地图像数据后，使用DVPP的jpegd功能对图像数据进行解码；将解码后的图片传入dvpp的接口crop_and_paste中，将原图抠图粘贴到和模型所需要的大小一致的图上，对应的文件是acl_devpp.py 和cartoonization.py。 

  4.4构建模型输入数据，进行模型推理 

构建模型的输入数据，构建模型输入数据的功能函数封装在class Model的函数_gen_input_dataset中。对应文件是acl_model.py 

  4.5模型推理 

根据已经加载到内存中，要进行推理的模型ID、构建好的模型推理输入数据，调用ACL库中模型推理接口进行模型推理。 模型推理功能函数封装在了Model.execute中。对应文件是acl_model.py 

模型推理结果解析的功能函数封装在post_process中，对推理出的数据先进行色彩空间的转化RGB转成BGR，再将其resize成原图的大小，保存在outputs文件路径下。对应文件是cartoonization.py 

推理接收后要卸载模型，并释放与模型推理相关的资源，此功能函数封装在class Model 的__del__（self）函数中。对应文件是acl_model.py