add README and sample code
Change-Id: Ibe7960a99f82f506c79bbc4291aeeaec5cf312ce
This commit is contained in:
shilei1108
parent
b65c780302
commit
6e786339be
503
README.md
Normal file
503
README.md
Normal file
@ -0,0 +1,503 @@
|
|||||||
|
# 芯合原生平台
|
||||||
|
|
||||||
|
## 1 原生编译器部署
|
||||||
|
|
||||||
|
### 1.1 基础需求
|
||||||
|
|
||||||
|
* 硬件：X86通用服务器一台，CPU > 4、 内存 > 8G
|
||||||
|
* 操作系统：Linux （推荐使用ubuntu20.04 或 ubuntu22.04）
|
||||||
|
|
||||||
|
### 1.2 宿主机配置
|
||||||
|
|
||||||
|
* docker安装 （推荐使用24以上版本）
|
||||||
|
|
||||||
|
 参考：<https://docs.docker.com/engine/install/ubuntu/>
|
||||||
|
|
||||||
|
### 1.3 镜像获取
|
||||||
|
|
||||||
|
移动云盘：链接:<https://caiyun.139.com/m/i?125CloXzkhpXl>
|
||||||
|
提取码\:gOr2
|
||||||
|
|
||||||
|
### 1.4 编译器容器部署
|
||||||
|
|
||||||
|
通过`docker`命令加载本地下载好的编译器镜像。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker load --input xh-cmcc-compiler-v1.0.tar
|
||||||
|
```
|
||||||
|
|
||||||
|
其中，`xh-cmcc-compiler-v1.0.tar`为芯合编译器镜像文件的名称。
|
||||||
|
|
||||||
|
通过`docker`命令创建新的容器实例。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker run --privileged=true -itd -v /etc/timezone:/etc/timezone:ro -v /etc/localtime:/etc/localtime:ro --name cmcc-compiler --hostname cmcc-compiler xh-cmcc-compiler:v1.0 bash
|
||||||
|
```
|
||||||
|
|
||||||
|
除了下述参数以外，均为`docker`自身运行相关的参数，如需了解更多，可参考`docker`的官方文档。
|
||||||
|
|
||||||
|
1. `--privileged=true`：为提权命令，固定参数。
|
||||||
|
2. `-v /etc/timezone:/etc/timezone:ro`和`-v /etc/localtime:/etc/localtime:ro`为挂载宿主机的时间信息，固定参数。
|
||||||
|
3. `--name`：指定容器的名字，此参数用户可根据需要变更。
|
||||||
|
4. `--hostname`：指定主机名，此参数用户可根据需要变更。
|
||||||
|
5. `xh-cmcc-compiler:v1.0`：指定编译器镜像的名称和版本，固定参数。
|
||||||
|
6. `bash`：指定容器内需要运行的进程命令，固定参数。
|
||||||
|
|
||||||
|
通过`docker`命令进入容器进行操作。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker exec ${CONTAINER_ID} bash
|
||||||
|
```
|
||||||
|
|
||||||
|
### 1.5 如何使用编译器
|
||||||
|
|
||||||
|
编译器编译命令以及命令参数说明：
|
||||||
|
|
||||||
|
* 原生编译器采用`clang++`编译器对源代码进行编译
|
||||||
|
|
||||||
|
* 常用参数说明：
|
||||||
|
|
||||||
|
* `-fsycl-device-only`：使用`Clang++`编译器编译`SYCL`程序时，只针对设备（`GPU`）进行优化，该参数为必选参数。
|
||||||
|
* `-tensor_compute`：`tensor_compute`为添加编译参数，指定后编译器将执行`Tensor Compute`编译过程，该参数为必选参数；需要注意的是，指定该参数后，需通过`-I`参数指定对应的`mlir`文件所在目录，否则编译过程会报错。
|
||||||
|
* `-I`: 用于包含编译过程中所需头文件或指定编译输入的路径，采用该参数指定编译输入的路径时为必选参数，采用该参数包含头文件时根据需要包含的头文件的具体情况而定。
|
||||||
|
* `-L`: 链接编译过程中所需的第三方库，例如`opencv`、`ffmpeg`等，该参数的使用根据需要链接的库的情况而定。
|
||||||
|
* `-o`: 指定编译好的二进制文件的保存目录和文件名，该参数为必选参数。
|
||||||
|
|
||||||
|
注意：其他编译选项参考`LLVM`编译选项的使用。
|
||||||
|
|
||||||
|
* 编译命令举例
|
||||||
|
|
||||||
|
```shell
|
||||||
|
# 该命令采用clang++编译器针对设备进行优化，启用了tensor_compute功能，将sample.cpp编译为sample二进制可执行文件，并通过-I指定了使用模型的mlir文件
|
||||||
|
clang++ -fsycl-device-only -tensor_compute -I/mlir/path/ sample.cpp -o sample
|
||||||
|
```
|
||||||
|
|
||||||
|
## 2 原生运行时部署
|
||||||
|
|
||||||
|
### 2.1 硬件支持
|
||||||
|
|
||||||
|
芯合原生运行时当前支持以下3种加速硬件：
|
||||||
|
|
||||||
|
* 英伟达：tasla V100 和 tasla T4
|
||||||
|
* 华为： ansend 910
|
||||||
|
* 瀚博： VA1A
|
||||||
|
|
||||||
|
### 2.2 瀚博环境运行时部署（VA1A）
|
||||||
|
|
||||||
|
#### 2.2.1 基础需求
|
||||||
|
|
||||||
|
* 硬件：具备瀚博VA1A加速卡的X86架构服务器一台， CPU > 8、 内存 > 16G (推荐)
|
||||||
|
* 操作系统：Linux (推荐使用ubuntu20.04)
|
||||||
|
* `DKMS`版本`1.95`及以上
|
||||||
|
|
||||||
|
#### 2.2.2 宿主机配置
|
||||||
|
|
||||||
|
**（1）安装环境依赖包：**
|
||||||
|
|
||||||
|
yum install cairo-devel.x86_64
|
||||||
|
yum install libdrm-devel.x86_64
|
||||||
|
yum install kmod-devel.x86_64
|
||||||
|
yum install libdwarf-devel.x86_64
|
||||||
|
yum install libpciaccess-devel.x86_64
|
||||||
|
yum install pixman-devel.x86_64
|
||||||
|
yum install procps-ng-devel.x86_64
|
||||||
|
yum install pkgconf.x86_64
|
||||||
|
yum install openssl.x86_64
|
||||||
|
yum install cmake
|
||||||
|
yum install automake.noarch
|
||||||
|
yum install autoconf.noarch
|
||||||
|
yum install openssl-devel.x86_64
|
||||||
|
yum install libtool.x86_64
|
||||||
|
yum install libX11-devel.x86_64
|
||||||
|
yum install libXext-devel.x86_64
|
||||||
|
yum install libXfixes-devel.x86_64
|
||||||
|
|
||||||
|
**（2）安装设备驱动：**
|
||||||
|
|
||||||
|
  VA1A驱动版本：d3\_0\_v2\_4\_a1\_5\_rc3
|
||||||
|
|
||||||
|
驱动获取地址：<https://developer.vastaitech.com/home>
|
||||||
|
|
||||||
|
驱动安装：`sudo rpm -i vastai-pci-xxx.rpm ` 其中，`xxx`为版本相关信息
|
||||||
|
|
||||||
|
检查驱动安装状态：`lsmod | grep vastai_pci ` 回显 `vastai_pci` 说明安装成功
|
||||||
|
|
||||||
|
**（3）安装SDK：**
|
||||||
|
|
||||||
|
  加速库版本：AI Compiler v1.5.0
|
||||||
|
|
||||||
|
SDK获取地址：<https://developer.vastaitech.com/home>
|
||||||
|
|
||||||
|
SDK安装： `sudo rpm -i VaststreamSdk-xxx.rpm` 其中，`xxx`为版本相关信息
|
||||||
|
|
||||||
|
检查安装状态： `rpm -qa | grep -i Vaststream ` 回显`VaststreamSdk-xxx`说明安装成功
|
||||||
|
|
||||||
|
**（4）安装预编译库：**
|
||||||
|
|
||||||
|
预编译库获取地址：<https://developer.vastaitech.com/home>
|
||||||
|
|
||||||
|
预编译库安装： `sudo ./vastai_video_install_xxx.bin /opt/vastai/vaststream`
|
||||||
|
|
||||||
|
其中，`/opt/vastai/vaststream`是预编译库安装目录
|
||||||
|
|
||||||
|
检查预编译库安装状态：
|
||||||
|
|
||||||
|
/opt/vastai/vaststream
|
||||||
|
├── bin
|
||||||
|
├── env
|
||||||
|
├── env.sh
|
||||||
|
├── include
|
||||||
|
├── lib
|
||||||
|
├── patch
|
||||||
|
├── python
|
||||||
|
└── samples
|
||||||
|
|
||||||
|
#### 2.2.3 镜像获取
|
||||||
|
|
||||||
|
移动云盘链接:<https://caiyun.139.com/m/i?125CdkwNCWN8X>
|
||||||
|
提取码\:cREu
|
||||||
|
|
||||||
|
#### 2.2.4 运行时容器部署
|
||||||
|
|
||||||
|
通过`docker`命令加载本地下载好的编译器镜像。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker load --input xh-vastai-runtime-v1.0.tar
|
||||||
|
```
|
||||||
|
|
||||||
|
其中，`xh-vastai-runtime-v1.0.tar`为瀚博运行时镜像文件的名称。
|
||||||
|
|
||||||
|
使用`docker`命令创建新的容器实例。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker run --privileged=true -itd -v /etc/timezone:/etc/timezone:ro -v /etc/localtime:/etc/localtime:ro --name cmcc-vastai-runtime --hostname cmcc-vastai-runtime xh-vastai-runtime:v1.0 bash
|
||||||
|
```
|
||||||
|
|
||||||
|
除了下述参数以外，均为`docker`自身运行相关的参数，如需了解更多，可参考`docker`的官方文档。
|
||||||
|
|
||||||
|
1. `--privileged=true`：为提权命令，固定参数。
|
||||||
|
2. `-v /etc/timezone:/etc/timezone:ro`和`-v /etc/localtime:/etc/localtime:ro`为挂载宿主机的时间信息，固定参数。
|
||||||
|
3. `--name`：指定容器的名字，此参数用户可根据需要变更。
|
||||||
|
4. `--hostname`：指定主机名，此参数用户可根据需要变更。
|
||||||
|
5. `xh-vastai-runtime:v1.0`：指定瀚博运行时镜像的名称和版本，固定参数。
|
||||||
|
6. `bash`：指定容器内需要运行的进程命令，固定参数。
|
||||||
|
|
||||||
|
通过`docker`命令进入容器进行操作。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker exec ${CONTAINER_ID} bash
|
||||||
|
```
|
||||||
|
|
||||||
|
### 2.3 英伟达环境运行时部署（`V100`、`T4`）
|
||||||
|
|
||||||
|
#### 2.3.1 基础需求
|
||||||
|
|
||||||
|
* 硬件：具备tesla V100或T4 GPU的X86架构服务器一台， CPU > 8、 内存 > 16G (推荐)
|
||||||
|
* 操作系统：Linux (推荐使用ubuntu20.04)
|
||||||
|
|
||||||
|
#### 2.3.2 宿主机配置
|
||||||
|
|
||||||
|
* GPU驱动安装：<https://www.nvidia.cn/Download/index.aspx?lang=cn> 
|
||||||
|
|
||||||
|
推荐版本：525
|
||||||
|
* cuda 安装：<https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html#> 
|
||||||
|
|
||||||
|
推荐版本：11.2
|
||||||
|
* cudnn 安装：<https://developer.nvidia.com/rdp/cudnn-download> 
|
||||||
|
|
||||||
|
推荐版本：8.1
|
||||||
|
* docker安装 (推荐使用24以上版本) 参考：<https://docs.docker.com/engine/install/ubuntu/>
|
||||||
|
* nvidia 容器工具安装及配置： <https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html#installing-with-apt>
|
||||||
|
|
||||||
|
#### 2.3.3 镜像获取
|
||||||
|
|
||||||
|
移动云盘：
|
||||||
|
v100镜像 链接:<https://caiyun.139.com/m/i?125CloXv42aJW>
|
||||||
|
提取码\:DCGu
|
||||||
|
T4镜像链接:<https://caiyun.139.com/m/i?125ClUTyK7rTu>
|
||||||
|
提取码\:G8gK
|
||||||
|
|
||||||
|
#### 2.3.4 运行时容器部署
|
||||||
|
|
||||||
|
英伟达运行时镜像区分`V100`以及`T4`版本，需要根据实际的硬件环境进行选择安装。
|
||||||
|
|
||||||
|
##### 2.3.4.1 `V100`环境部署
|
||||||
|
|
||||||
|
通过`docker`命令加载本地下载好的编译器镜像。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker load --input xh-nvidia-runtime-v100-v1.0.tar
|
||||||
|
```
|
||||||
|
|
||||||
|
其中，`xh-nvidia-runtime-v100-v1.0.tar`为英伟达`V100`运行时镜像文件的名称。
|
||||||
|
|
||||||
|
使用`docker`命令创建新的容器实例。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker run -itd --name cmcc-nvidia-runtime --runtime=nvidia --ipc host --pid host --privileged=true --hostname cmcc-nvidia-runtime -v /etc/timezone:/etc/timezone:ro -v /etc/localtime:/etc/localtime:ro xh-nvidia-runtime-v100:v1.0 bash
|
||||||
|
```
|
||||||
|
|
||||||
|
除了下述参数以外，均为`docker`自身运行相关的参数，如需了解更多，可参考`docker`的官方文档。
|
||||||
|
|
||||||
|
1. `--privileged=true`：为提权命令，固定参数。
|
||||||
|
2. `--runtime=nvidia`：用于指定容器运行时为英伟达环境，固定参数。
|
||||||
|
3. `--ipc host`和`--pid host`：为容器和宿主机之间共享内存及进程，固定参数。
|
||||||
|
4. `-v /etc/timezone:/etc/timezone:ro`和`-v /etc/localtime:/etc/localtime:ro`为挂载宿主机的时间信息，固定参数。
|
||||||
|
5. `--name`：指定容器的名字，此参数用户可根据需要变更。
|
||||||
|
6. `--hostname`：指定主机名，此参数用户可根据需要变更。
|
||||||
|
7. `xh-nvidia-runtime-v100:v1.0`：指定瀚博运行时镜像的名称和版本，固定参数。
|
||||||
|
8. `bash`：指定容器内需要运行的进程命令，固定参数。
|
||||||
|
|
||||||
|
通过`docker`命令进入容器进行操作。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker exec ${CONTAINER_ID} bash
|
||||||
|
```
|
||||||
|
|
||||||
|
##### 2.3.4.2 `T4`环境部署
|
||||||
|
|
||||||
|
通过`docker`命令加载本地下载好的编译器镜像。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker load --input xh-vastai-runtime-t4-v1.0.tar
|
||||||
|
```
|
||||||
|
|
||||||
|
其中，`xh-nvidia-runtime-t4-v1.0.tar`为英伟达`T4`运行时镜像文件的名称。
|
||||||
|
|
||||||
|
使用`docker`命令创建新的容器实例。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker run -itd --name cmcc-nvidia-runtime --runtime=nvidia --ipc host --pid host --privileged=true --hostname cmcc-nvidia-runtime -v /etc/timezone:/etc/timezone:ro -v /etc/localtime:/etc/localtime:ro xh-nvidia-runtime-t4:v1.0 bash
|
||||||
|
```
|
||||||
|
|
||||||
|
除了下述参数以外，均为`docker`自身运行相关的参数，如需了解更多，可参考`docker`的官方文档。
|
||||||
|
|
||||||
|
1. `--privileged=true`：为提权命令，固定参数。
|
||||||
|
2. `--runtime=nvidia`：用于指定容器运行时为英伟达环境，固定参数。
|
||||||
|
3. `--ipc host`和`--pid host`：为容器和宿主机之间共享内存及进程，固定参数。
|
||||||
|
4. `-v /etc/timezone:/etc/timezone:ro`和`-v /etc/localtime:/etc/localtime:ro`为挂载宿主机的时间信息，固定参数。
|
||||||
|
5. `--name`：指定容器的名字，此参数用户可根据需要变更。
|
||||||
|
6. `--hostname`：指定主机名，此参数用户可根据需要变更。
|
||||||
|
7. `xh-nvidia-runtime-t4:v1.0`：指定瀚博运行时镜像的名称和版本，固定参数。
|
||||||
|
8. `bash`：指定容器内需要运行的进程命令，固定参数。
|
||||||
|
|
||||||
|
通过`docker`命令进入容器进行操作。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker exec ${CONTAINER_ID} bash
|
||||||
|
```
|
||||||
|
|
||||||
|
### 2.4 华为环境运行时部署（`ascend910`）
|
||||||
|
|
||||||
|
*详细部署说明和问题解决请参考：*
|
||||||
|
|
||||||
|
*<https://www.hiascend.com/document/detail/zh/quick-installation/23.0.RC1/quickinstg/800_9010/quickinstg_800_9010_0003.html>*
|
||||||
|
|
||||||
|
#### 2.4.1 基础需求
|
||||||
|
|
||||||
|
**（1）硬件款型说明：**
|
||||||
|
|
||||||
|
`Atlas 800`训练服务器（型号：`9010`）
|
||||||
|
|
||||||
|
**（2）支持操作系统列表：**
|
||||||
|
|
||||||
|
`Ubuntu 18.04.1`、`Ubuntu 18.04.5`、`Ubuntu 20.04`、`CentOS 7.6`、`CentOS 8.2`、
|
||||||
|
|
||||||
|
`openEuler 20.03 LTS`、`openEuler 22.03 LTS`、`Kylin V10 SP1`、`BC_Linux 7.6`、
|
||||||
|
|
||||||
|
`Debian 9.9`、`Debian 10.0`
|
||||||
|
|
||||||
|
#### 2.4.2 宿主机配置
|
||||||
|
|
||||||
|
**（1）安装场景说明：**
|
||||||
|
|
||||||
|
**（2）安装部件说明：**
|
||||||
|
|
||||||
|
① 昇腾`NPU`固件：固件包含昇腾`AI`处理器自带的`OS` 、电源器件和功耗管理器件控制软件，分别用于后续加载到`AI`处理器的模型计算、芯片启动控制和功耗控制。
|
||||||
|
|
||||||
|
② 昇腾`NPU`驱动：部署在昇腾服务器，用于管理查询昇腾AI处理器，同时为上层`CANN`软件提供芯片控制、资源分配等接口。
|
||||||
|
|
||||||
|
③ `CANN`：部署在昇腾服务器，包含`Runtime`、算子库、图引擎、媒体数据处理等组件，通过`AscendCL`（`Ascend Computing Language`，昇腾计算语言）对外提供`Device`管理、`Context`管理、`Stream`管理、内存管理、模型加载与执行、算子加载与执行、媒体数据处理等`API`，帮助开发者实现在昇腾软硬件平台上开发和运行`AI`业务。
|
||||||
|
|
||||||
|
④` Ascend Docker`：`Ascend Docker`（容器引擎插件）本质上是基于`OCI`标准（开放容器倡议标准）实现的`Docker Runtime`（容器运行环境），不修改`Docker`引擎，对`Docker`以插件方式提供`Ascend NPU`适配功能，使用户`AI`作业能够以`Docker`容器的方式平滑运行在昇腾设备上。
|
||||||
|
|
||||||
|
**（3）安装硬件设备：**
|
||||||
|
|
||||||
|
硬件设备安装请参考：<https://support.huawei.com/enterprise/zh/doc/EDOC1100149984>
|
||||||
|
|
||||||
|
**（4）安装OS：**
|
||||||
|
|
||||||
|
各版本OS安装请参考：<https://support.huawei.com/enterprise/zh/ascend-computing/a800-9010-pid-250702809?category=installation-upgrade&subcategory=software-deployment-guide>
|
||||||
|
|
||||||
|
**（5） 下载软件包：**
|
||||||
|
|
||||||
|
软件包下载地址：
|
||||||
|
|
||||||
|
<https://www.hiascend.com/document/detail/zh/quick-installation/23.0.RC1/quickinstg/800_9010/quickinstg_800_9010_0005.html>
|
||||||
|
|
||||||
|
**（6）安装NPU驱动和固件：**
|
||||||
|
|
||||||
|
安装NPU驱动：
|
||||||
|
|
||||||
|
`./Ascend-hdk-910-npu-driver_23.0.rc1_linux-x86-64.run --full --install-for-all`
|
||||||
|
|
||||||
|
验证驱动功能可用性：`npu-smi info`
|
||||||
|
|
||||||
|
安装NPU固件：`./Ascend-hdk-910-npu-firmware_6.3.0.1.241.run --full`
|
||||||
|
|
||||||
|
重启系统：`reboot`
|
||||||
|
|
||||||
|
详细部署说明和问题解决请参考：
|
||||||
|
|
||||||
|
<https://www.hiascend.com/document/detail/zh/quick-installation/23.0.RC1/quickinstg/800_9010/quickinstg_800_9010_0007.html>
|
||||||
|
|
||||||
|
#### 2.4.3 镜像获取
|
||||||
|
|
||||||
|
链接:<https://caiyun.139.com/m/i?125CmSU5sl0k1>
|
||||||
|
提取码\:vuXJ
|
||||||
|
|
||||||
|
|
||||||
|
#### 2.4.4 运行时容器部署
|
||||||
|
|
||||||
|
通过`docker`命令加载本地下载好的编译器镜像。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker load --input xh-ascend-runtime-v1.0.tar
|
||||||
|
```
|
||||||
|
|
||||||
|
其中，`xh-ascend-runtime-v1.0.tar`为华为运行时镜像文件的名称。
|
||||||
|
|
||||||
|
使用`docker`命令创建新的容器实例。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker run --privileged=true -itd --ipc=host -u root --device=/dev/davinci0 --device=/dev/davinci4 --device=/dev/davinci_manager --device=/dev/devmm_svm --device=/dev/hisi_hdc -v /etc/timezone:/etc/timezone:ro -v /etc/localtime:/etc/localtime:ro -v /usr/local/Ascend/driver:/usr/local/Ascend/driver:ro -v /usr/local/Ascend/ascend-toolkit:/usr/local/Ascend/ascend-toolkit:ro -v /etc/ascend_install.info:/etc/ascend_install.info:ro -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi:ro -v /usr/local/sbin/:/usr/local/sbin/:ro -v /root/ascend/:/root/ascend/:rw --name cmcc-ascend-runtime --hostname cmcc-ascend-runtime xh-ascend-runtime:v1.0 bash
|
||||||
|
```
|
||||||
|
|
||||||
|
除了下述参数以外，均为`docker`自身运行相关的参数，如需了解更多，可参考`docker`的官方文档。
|
||||||
|
|
||||||
|
1. `--privileged=true`：为提权命令，固定参数。
|
||||||
|
|
||||||
|
2. `--ipc host`：为容器和宿主机之间共享内存，固定参数。
|
||||||
|
|
||||||
|
3. `-u root`：容器指定使用`root`用户权限运行，固定参数。
|
||||||
|
|
||||||
|
4. `--device=/dev/davinci0`、`--device=/dev/davinci4`、`-device=/dev/davinci_manager`、`--device=/dev/devmm_svm`以及`--device=/dev/hisi_hdc`：指定硬件描述符，通过下面的方法查询出结果以后，将所有的描述符都添加到命令行中，必要参数。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
# 要求设备已正常挂载并识别：
|
||||||
|
ll /dev/ | grep davinci
|
||||||
|
ll /dev/ | grep devmm
|
||||||
|
ll /dev/ | grep hisi
|
||||||
|
```
|
||||||
|
|
||||||
|
5. `-v /etc/timezone:/etc/timezone:ro`和`-v /etc/localtime:/etc/localtime:ro`为挂载宿主机的时间信息，固定参数。
|
||||||
|
|
||||||
|
6. `-v /usr/local/Ascend/driver:/usr/local/Ascend/driver:ro`、`-v /usr/local/Ascend/ascend-toolkit:/usr/local/Ascend/ascend-toolkit:ro`、`-v /etc/ascend_install.info:/etc/ascend_install.info:ro`、`-v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi:ro`、`-v /usr/local/sbin/:/usr/local/sbin/:ro`以及`-v /root/ascend/:/root/ascend/:rw`：挂载华为工具链到容器内部，固定参数。
|
||||||
|
|
||||||
|
7. `--name`：指定容器的名字，此参数用户可根据需要变更。
|
||||||
|
|
||||||
|
8. `--hostname`：指定主机名，此参数用户可根据需要变更。
|
||||||
|
|
||||||
|
9. `xh-ascend-runtime:v1.0`：指定华为运行时镜像的名称和版本，固定参数。
|
||||||
|
|
||||||
|
10. `bash`：指定容器内需要运行的进程命令，固定参数。
|
||||||
|
|
||||||
|
通过`docker`命令进入容器进行操作。
|
||||||
|
|
||||||
|
```shell
|
||||||
|
sudo docker exec ${CONTAINER_ID} bash
|
||||||
|
```
|
||||||
|
|
||||||
|
## 3 示例
|
||||||
|
|
||||||
|
### 3.1 功能说明
|
||||||
|
|
||||||
|
以基于`resnet50`深度学习模型的图像识别算法为例（示例代码见：`resnet50_multibs_pinned.cpp`），介绍基于算力原生**芯合**平台的智算应用的开发、编译以及跨架构部署过程。
|
||||||
|
|
||||||
|
`resnet50`深度学习模型基于`ImageNet 2012`公开图像数据集进行训练，可实现对动物、交通工具、日常用品等`1000`种类别的识别，识别准确率高达`96.4%`。`ImageNet 2012`数据集地址为：
|
||||||
|
|
||||||
|
<https://image-net.org/download.php。>
|
||||||
|
|
||||||
|
基于resnet50的图像识别智算应用主要包括以下步骤：
|
||||||
|
|
||||||
|
1. 从`ImageNet 2012`数据集中获取图像；
|
||||||
|
|
||||||
|
2. 图像数据预处理；
|
||||||
|
|
||||||
|
3. 使用`resnet50`模型进行图像识别；
|
||||||
|
|
||||||
|
4. 打印模型的识别结果（`top 5`信息）。
|
||||||
|
|
||||||
|
mlri文件获取：
|
||||||
|
|
||||||
|
链接:<https://caiyun.139.com/m/i?125Ce4zIeSGHC> 提取码:9e4J
|
||||||
|
|
||||||
|
### 3.2 如何编译
|
||||||
|
|
||||||
|
* 将工作目录切换到样例代码resnet50\_multibs\_pinned.cpp的同级目录下
|
||||||
|
|
||||||
|
```shell
|
||||||
|
cd RESNET50_SAMPLE_DIR # SAMPLE_DIR为样例代码resnet50_multibs_pinned.cpp的目录
|
||||||
|
```
|
||||||
|
|
||||||
|
* 执行编译脚本
|
||||||
|
|
||||||
|
```shell
|
||||||
|
./compile.sh
|
||||||
|
|
||||||
|
# 编译脚本compile.sh的内容如下所示：
|
||||||
|
#!/usr/bin/env bash
|
||||||
|
set -e
|
||||||
|
|
||||||
|
OUTPUT_PATH=/opt/share/pub_share/project/demo_resnet50 # 指定编译好的目标二进制文件的保存位置
|
||||||
|
BINARY_NAME=resnet50_multibs_pinned_binary # 目标二进制文件的文件名
|
||||||
|
CMCC_HOME=${CMCC_INSTALL} # 原生编译器的安装目录
|
||||||
|
|
||||||
|
source ~/anaconda3/etc/profile.d/conda.sh
|
||||||
|
conda activate cmcc # 进入cmcc虚拟环境
|
||||||
|
|
||||||
|
# 编译源代码
|
||||||
|
cmcc \
|
||||||
|
-fsycl-device-only \ # 仅编译设备端代码
|
||||||
|
-tensor_compute \ # tensor_compute为添加编译参数，指定后编译器将执行Tensor Compute编译过程；需要注意的是，指定该参数后，需指定对应的mlir路径，否则会编译报错。
|
||||||
|
-I./model \ # resnet50模型（mlir格式）的存放路径
|
||||||
|
-I${CMCC_HOME}/llvm/build/install/include \ # 包含llvm安装目录下的头文件
|
||||||
|
-I${CMCC_HOME}/llvm/build/install/include/sycl \ # 包含llvm安装目录下的sycl相关头文件
|
||||||
|
-I${CMCC_HOME}/opencv/include/opencv4 \ # 包含OpenCV安装目录下的头文件
|
||||||
|
-L ${CMCC_HOME}/llvm/build/install/lib \ # 链接LLVM安装目录下的库文件
|
||||||
|
-L ${CMCC_HOME}/opencv/lib/ \ # 链接OpenCV相关库
|
||||||
|
-lopencv_calib3d \ # 链接opencv的calib3d库
|
||||||
|
-lopencv_core \ # 链接opencv的core库
|
||||||
|
-lopencv_dnn \ # 链接opencv的dnn库
|
||||||
|
-lopencv_features2d \ # 链接opencv的features2d库
|
||||||
|
-lopencv_flann \ # 链接opencv的flann库
|
||||||
|
-lopencv_highgui \ # 链接opencv的highgui库
|
||||||
|
-lopencv_imgcodecs \ # 链接opencv的imgcodecs库
|
||||||
|
-lopencv_imgproc \ # 链接oepncv的imgproc库
|
||||||
|
-lopencv_ml \ # 链接opencv的ml库
|
||||||
|
-lopencv_objdetect \ # 链接opencv的objdetect库
|
||||||
|
-lopencv_photo \ # opencv的photo库
|
||||||
|
-lopencv_stitching \ # 链接opencv的stitching库
|
||||||
|
resnet50_multibs_pinned.cpp \ # 要进行编译的源代码文件名
|
||||||
|
-o ${OUTPUT_PATH}/${BINARY_NAME} # 指定编译好的目标二进制代码的保存目录和文件名
|
||||||
|
|
||||||
|
# 编译完成，退出conda虚拟环境
|
||||||
|
conda deactivate
|
||||||
|
```
|
||||||
|
|
||||||
|
### 3.3 如何部署及运行
|
||||||
|
|
||||||
|
1. 将编译好的目标二进制文件拷贝到特定硬件环境，且确保该环境上已配置好对应的docker运行时环境
|
||||||
|
|
||||||
|
```shell
|
||||||
|
scp resnet50_multibs_pinned username@ip_address:path of current hardware environment
|
||||||
|
```
|
||||||
|
|
||||||
|
2. 将工作目录切换到目标二进制文件所在的目录下，执行二进制文件运行脚本
|
||||||
|
|
||||||
|
```shell
|
||||||
|
# 在命令行执行此命令运行二进制可执行文件
|
||||||
|
./resnet50_multibs_pinned
|
||||||
|
```
|
||||||
|
|
||||||
|
注意：当前应用可在瀚博、`NVIDIA`和华为环境下运行，只需要将编译好的二进制文件拷贝到瀚博/`NVIDIA`/华为环境下执行即可。
|
||||||
232
sample/resnet50_video_pinned.cpp
Normal file
232
sample/resnet50_video_pinned.cpp
Normal file
@ -0,0 +1,232 @@
|
|||||||
|
#include <CL/sycl.hpp>
|
||||||
|
#include <iostream>
|
||||||
|
#include <vector>
|
||||||
|
#include <string>
|
||||||
|
#include <dirent.h>
|
||||||
|
|
||||||
|
#include <opencv2/highgui.hpp>
|
||||||
|
#include <opencv2/imgproc.hpp>
|
||||||
|
|
||||||
|
#define BATCHSIZE 2
|
||||||
|
using namespace cv;
|
||||||
|
using namespace std::chrono;
|
||||||
|
using namespace sycl;
|
||||||
|
|
||||||
|
// Provide the compiler with information such as input model, target hardware, etc
|
||||||
|
#pragma tensor_compute model(ResNet) input(resnet50_relay_bs2.mlir) subkind(tc_spirv) target_spec(VASTAI_OAK :.*, NVIDIA_CUDA :.*, HUAWEI_ASCEND :.*, CAMBRICON_MLU :.*, nullptr)
|
||||||
|
|
||||||
|
const size_t array_size = 1000;
|
||||||
|
size_t imageLen = 0;
|
||||||
|
|
||||||
|
constexpr cl::sycl::access::mode sycl_read = cl::sycl::access::mode::read;
|
||||||
|
constexpr cl::sycl::access::mode sycl_write = cl::sycl::access::mode::write;
|
||||||
|
|
||||||
|
typedef struct
|
||||||
|
{
|
||||||
|
int index;
|
||||||
|
float value;
|
||||||
|
} sort_st;
|
||||||
|
|
||||||
|
class nnet_resnet50
|
||||||
|
{
|
||||||
|
public:
|
||||||
|
nnet_resnet50():sharp_width(224), sharp_height(224) {}
|
||||||
|
~nnet_resnet50() {}
|
||||||
|
|
||||||
|
void get_file_names(std::string basePath, std::vector<std::string> &files);
|
||||||
|
int resnet_tensor_compute(std::vector<std::string> fileNames, size_t count);
|
||||||
|
cv::Mat nnet_preprocess(cv::Mat src, int sharp_width, int sharp_height, float *data);
|
||||||
|
private:
|
||||||
|
size_t sharp_width;
|
||||||
|
size_t sharp_height;
|
||||||
|
uint32_t batch = BATCHSIZE;
|
||||||
|
};
|
||||||
|
|
||||||
|
void nnet_resnet50::get_file_names(std::string basePath, std::vector<std::string> &files)
|
||||||
|
{
|
||||||
|
DIR *dir;
|
||||||
|
struct dirent *ptr;
|
||||||
|
|
||||||
|
if ((dir = opendir(basePath.c_str())) == NULL)
|
||||||
|
{
|
||||||
|
std::cerr << "Open dir error input Image error....\n";
|
||||||
|
exit(1);
|
||||||
|
}
|
||||||
|
|
||||||
|
while ((ptr = readdir(dir)) != NULL)
|
||||||
|
{
|
||||||
|
if (strcmp(ptr->d_name, ".") == 0 || strcmp(ptr->d_name, "..") == 0)
|
||||||
|
{
|
||||||
|
continue;
|
||||||
|
}
|
||||||
|
else if (ptr->d_type == DT_REG) //DT_REG: This is a regular file.
|
||||||
|
{
|
||||||
|
std::string a = ptr->d_name;
|
||||||
|
int pe = a.find_last_of(".");
|
||||||
|
std::string pic_name = a.substr(pe + 1);
|
||||||
|
if (pic_name == "JPEG" || pic_name == "jpg")
|
||||||
|
{
|
||||||
|
std::string tmpname = basePath + "/" + ptr->d_name;
|
||||||
|
files.push_back(tmpname);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
else if (ptr->d_type == DT_DIR) //DT_DIR: This is a directory.
|
||||||
|
{
|
||||||
|
std::string base = basePath + "/" + ptr->d_name;
|
||||||
|
get_file_names(base, files);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
closedir(dir);
|
||||||
|
return;
|
||||||
|
}
|
||||||
|
|
||||||
|
static bool compares(sort_st a, sort_st b)
|
||||||
|
{
|
||||||
|
return a.value > b.value;
|
||||||
|
}
|
||||||
|
|
||||||
|
cl::sycl::queue deviceQueue;
|
||||||
|
|
||||||
|
template <typename T, typename TT>
|
||||||
|
void testApp(T *input, TT *output)
|
||||||
|
{
|
||||||
|
// Define arrays of model inputs and outputs
|
||||||
|
cl::sycl::buffer<T, 1> bufferA(input, imageLen * BATCHSIZE, {sycl::property::buffer::use_host_ptr()});
|
||||||
|
cl::sycl::buffer<TT, 1> bufferC(output, array_size * BATCHSIZE, {sycl::property::buffer::use_host_ptr()});
|
||||||
|
|
||||||
|
deviceQueue.submit([&](cl::sycl::handler &cgh)
|
||||||
|
{
|
||||||
|
auto accessorA = bufferA.template get_access<sycl_read>(cgh);
|
||||||
|
auto accessorC = bufferC.template get_access<sycl_write>(cgh);
|
||||||
|
|
||||||
|
std::vector<void *> inputs;
|
||||||
|
std::vector<void *> outputs;
|
||||||
|
|
||||||
|
inputs.push_back(&accessorA);
|
||||||
|
outputs.push_back(&accessorC);
|
||||||
|
cgh.tensor_compute_task<class ResNet>(inputs, outputs);
|
||||||
|
}).wait();
|
||||||
|
|
||||||
|
host_accessor h_c(bufferC, read_only);
|
||||||
|
}
|
||||||
|
|
||||||
|
int nnet_resnet50::resnet_tensor_compute(std::vector<std::string> fileNames, size_t count)
|
||||||
|
{
|
||||||
|
auto alltime_start = system_clock::now();
|
||||||
|
unsigned char *tempD;
|
||||||
|
|
||||||
|
imageLen = this->sharp_width * this->sharp_height * 3;
|
||||||
|
cl::sycl::cl_float *imageData = (cl::sycl::cl_float *)malloc_pinned(imageLen * batch * sizeof(cl::sycl::cl_float), deviceQueue);
|
||||||
|
cl::sycl::cl_float *result = (cl::sycl::cl_float *)malloc_pinned(array_size * batch * sizeof(cl::sycl::cl_float), deviceQueue);
|
||||||
|
|
||||||
|
for (int i = 0; i < count; i++)
|
||||||
|
{
|
||||||
|
std::string file_name = fileNames.back();
|
||||||
|
fileNames.pop_back();
|
||||||
|
std::cout << "\npic-name:" << file_name << std::endl;
|
||||||
|
cv::Mat img = cv::imread(file_name.c_str(), cv::IMREAD_COLOR);
|
||||||
|
cv::Mat dst;
|
||||||
|
{
|
||||||
|
float data[sharp_height * sharp_width * 3];
|
||||||
|
std::cout << "sharp_height " << sharp_height << " , sharp_width " << sharp_width << std::endl;
|
||||||
|
dst = nnet_preprocess(img, this->sharp_width, this->sharp_height, data);
|
||||||
|
float *p = data;
|
||||||
|
int pos = 0;
|
||||||
|
for (int i = 0; i < imageLen * batch; ++i)
|
||||||
|
{
|
||||||
|
imageData[i] = *(p + pos);
|
||||||
|
pos = (pos + 1) % imageLen;
|
||||||
|
}
|
||||||
|
|
||||||
|
auto hardprocess_starttime = system_clock::now();
|
||||||
|
testApp(imageData, result);
|
||||||
|
}
|
||||||
|
|
||||||
|
std::cout << std::endl;
|
||||||
|
std::vector<sort_st> result_vector(array_size * batch);
|
||||||
|
for (int m = 0; m < batch; m++)
|
||||||
|
{
|
||||||
|
int index = 0;
|
||||||
|
for (int n = m * (array_size); n < (m + 1) * (array_size); n++)
|
||||||
|
{
|
||||||
|
result_vector[index].value = result[n];
|
||||||
|
result_vector[index].index = index;
|
||||||
|
index++;
|
||||||
|
}
|
||||||
|
|
||||||
|
sort(result_vector.begin(), result_vector.end(), compares);
|
||||||
|
std::cout << "Top 5 is: ";
|
||||||
|
for (int i = 0; i < 5; ++i)
|
||||||
|
{
|
||||||
|
std::cout << result_vector[i].index << ": " << result_vector[i].value << " ";
|
||||||
|
}
|
||||||
|
std::cout << std::endl;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
free(imageData, deviceQueue);
|
||||||
|
free(result, deviceQueue);
|
||||||
|
duration<double> alltime_end = system_clock::now() - alltime_start;
|
||||||
|
|
||||||
|
std::cout << std::endl << "Finished!\n";
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
|
||||||
|
// Set the image ROI
|
||||||
|
cv::Mat nnet_resnet50::nnet_preprocess(cv::Mat src, int sharp_width, int sharp_height, float *data)
|
||||||
|
{
|
||||||
|
cv::Mat src_img;
|
||||||
|
cv::cvtColor(src, src, cv::COLOR_BGR2RGB);
|
||||||
|
|
||||||
|
size_t resize = 256;
|
||||||
|
size_t resize_w = 0;
|
||||||
|
size_t resize_h = 0;
|
||||||
|
|
||||||
|
if (src.cols > src.rows)
|
||||||
|
{
|
||||||
|
resize_h = resize;
|
||||||
|
resize_w = int(resize * float(src.cols) / float(src.rows));
|
||||||
|
}
|
||||||
|
else
|
||||||
|
{
|
||||||
|
resize_w = resize;
|
||||||
|
resize_h = int(resize * float(src.rows) / float(src.cols));
|
||||||
|
}
|
||||||
|
|
||||||
|
size_t crop_x = int((resize_w - sharp_width) / 2);
|
||||||
|
size_t crop_y = int((resize_h - sharp_height) / 2);
|
||||||
|
|
||||||
|
cv::resize(src, src_img, cv::Size(resize_w, resize_h));
|
||||||
|
Rect roi(crop_x, crop_y, sharp_width, sharp_height);
|
||||||
|
|
||||||
|
std::vector<float> mean_value{0, 0, 0};
|
||||||
|
std::vector<float> std_value{1, 1, 1};
|
||||||
|
|
||||||
|
cv::Mat dst;
|
||||||
|
uint32_t count = 0;
|
||||||
|
src_img(roi).copyTo(dst);
|
||||||
|
for (int i = 0; i < sharp_height; i++)
|
||||||
|
{
|
||||||
|
uchar *uc_pixel = dst.data + i * dst.step;
|
||||||
|
for (int j = 0; j < sharp_width; j++)
|
||||||
|
{
|
||||||
|
data[count] = (uc_pixel[0] / 255. - mean_value[0]) / std_value[0];
|
||||||
|
data[count + sharp_height * sharp_width] = (uc_pixel[1] / 255. - mean_value[1]) / std_value[1];
|
||||||
|
data[count + 2 * sharp_height * sharp_width] = (uc_pixel[2] / 255. - mean_value[2]) / std_value[2];
|
||||||
|
uc_pixel += 3;
|
||||||
|
count++;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
return dst;
|
||||||
|
}
|
||||||
|
|
||||||
|
int main(int argc, char **argv)
|
||||||
|
{
|
||||||
|
nnet_resnet50 *resnet50 = new nnet_resnet50();
|
||||||
|
|
||||||
|
std::vector<std::string> fileNames;
|
||||||
|
resnet50->get_file_names("/opt/share/pub_share/c_images/dataset/2012img", fileNames);
|
||||||
|
size_t count = fileNames.size();
|
||||||
|
resnet50->resnet_tensor_compute(fileNames, count);
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
Loading…
Reference in New Issue
Block a user