---
title: Caffe模型npy文件准备
description: "- 针对量化原始模型获取npy文件，请先参见  量化原始模型和量化信息文件"
url: https://www.hiascend.com/document/detail/zh/canncommercial/latest/devaids/ModelAccuracyAnalyzer/atlasaccuracy_16_0027.html
sourcePath: /source/zh/canncommercial/900/devaids/ModelAccuracyAnalyzer/atlasaccuracy_16_0027.html
indexId: 23ebf1cc53417ecb06f66210d13630e4968ee06b98f62ad0faa454637e5e08b486
---
# Caffe模型npy文件准备

#### 前提条件

- 针对量化原始模型获取npy文件，请先参见  量化原始模型和量化信息文件
获取量化原始模型。
- 为确保生成符合命名要求的.npy文件，需要对原始的Caffe模型文件去除in-place，生成新的.prototxt模型文件用于生成.npy文件（例如：如果有未去除in-place的A、B、C、D四个融合算子，进行dump数据，输出的结果为D算子的结果，但命名却是A算子开头，就会导致比对时找不到文件）。针对量化场景，需要先在环境上安装AMCT再执行去除in-place命令，AMCT安装方法请参见《AMCT模型压缩工具(https://www.hiascend.com/document/detail/zh/canncommercial/900/devaids/amct/atlasamct_16_0001.html)》中的“安装工具(https://www.hiascend.com/document/detail/zh/canncommercial/900/devaids/amct/atlasamct_16_0030.html)”。
  进入/home/xxx/Ascend/cann/tools/operator_cmp/compare目录，执行命令去除in-place，命令行举例如下：

```
python3 inplace_layer_process.py -i
/home/user/resnet50.prototxt
```


  执行命令后，在/home/user目录下生成去除in-place的new_resnet50.prototxt文件。

- 针对量化场景：为确保精度误差，需要保证执行Caffe模型推理时的预处理数据与CaffeAMCT时的预处理数据一致。


#### 生成npy文件

本版本不提供Caffe模型numpy数据生成功能，请自行安装Caffe环境并提前准备Caffe原始数据“*.npy”文件。本文仅提供生成符合精度比对要求的numpy格式Caffe原始数据“*.npy”文件的样例参考。

如何准备原始Caffe模型npy文件，您可以参见论坛发帖算子精度比对工具标杆数据生成环境搭建指导（Caffe + TensorFlow）(https://bbs.huaweicloud.com/blogs/181059)或者自行获取其他方法。该帖仅供参考。


为输出符合精度比对要求的“*.npy”文件，需在推理结束后的代码中增加dump操作，示例代码如下：

```
# 读取prototxt文件
    net_param = caffe_pb2.NetParameter()
    with open(self.model_file_path, 'rb') as model_file:
        google.protobuf.text_format.Parse(model_file.read(), net_param)

        # 保存数据为numpy文件
        for layer in net_param.layer:
            name = layer.name.replace("/", "_").replace(".", "_")
            index = 0
            for top in layer.top:
                data = net.blobs[top].data[...]
                file_name = name + "." + str(index) + "." + str(
                    round(time.time() * 1000000)) + ".npy"
                output_dump_path = os.path.join(self.output_path, file_name)
                np.save(output_dump_path, data)
                print('The dump data of "' + layer.name
                      + '" has been saved to "' + output_dump_path + '".')
                index += 1
```

增加上述代码后，运行Caffe模型的应用工程，即可生成符合要求的npy文件。

- 需要根据代码中的output_dump_path参数在当前目录新建对应“onnx_dump”目录或自定义目录。
- npy文件命名格式为{op_name}.{output_index}.{timestamp}.npy，其中需要确保文件名中的{output_index}字段存在值为0，否则无比对结果，原因是精度比对时默认从第一个output_index为0的数据开始。