上一篇 AscendCL快速入门——内存管理篇
一、概述
本文介绍了AscendCL模型推理相关知识,介绍了AscendCL接口加载离线模型,为离线模型准备数据结构以及调用离线模型进行推理的过程。简单来说,曻腾的AscendCL的推理工程可以问为三步。
把经过ATC转化过的模型.om文件加载到内存。为模型准备输入输出。让模型在设备端执行推理。二、模型推理的接口调用和代码示例
1. 将模型加载到内存
AscendCL推理所使用的的模型是昇腾CANN平台专用的离线模型,既然要调用模型进行推理,首先当然是要把模型加载进来,最简单的场景就是从磁盘加载一个离线模型文件进内存,接口如下:
aclError aclmdlLoadFromFile(const char *modelPath, uint32_t *modelId);
参数表中的modelPath是入参,指的是离线模型文件在磁盘上的路径;而modelId则是出参,模型加载进内存后,AscendCL会生成一个modelId,后续在分析、使用模型的时候会用到,每次加载模型生成的modelId都是不一样的, 在一个进程空间内,modelId会保持唯一。
开始编写代码前,要加上.h或者.cpp文件中包含AscendCL的头文件:
#include “acl/acl.h” #pragma add_include_path(“/usr/local/Ascend/ascend-toolkit/latest/x86_64-linux/ acllib/include/”) #pragma add_library_path(“/usr/local/Ascend/ascend-toolkit/latest/x86_64-linux/ acllib/lib64/”) #pragma cling load(“libascendcl.so”) #define INFO_LOG(fmt, args…) fprintf(stdout, “[INFO] ” fmt “\n”, ##args) #define WARN_LOG(fmt, args…) fprintf(stdout, “[WARN] ” fmt “\n”, ##args) #define ERROR_LOG(fmt, args…) fprintf(stdout, “[ERROR] ” fmt “\n”, ##args) #include <iostream> #include “acl/acl.h” #include <stdio.h> #include <fstream> #include <cstring> #include <sys/stat.h> #include <map> #include <sstream> using namespace std;阅读下段代码,理解接口调用逻辑
aclError test1() { INFO_LOG(“AclmdlLoadFromFile: start.”); const char* aclConfigPath = “”; aclError ret = aclInit(aclConfigPath); ret = aclrtSetDevice(0); const char *modelPath = “./googlenet.om”; uint32_t modelId; ret = aclmdlLoadFromFile(modelPath, &modelId); INFO_LOG(“ModelId = %d.”, modelId); aclmdlUnload(modelId); aclFinalize(); INFO_LOG(“AclmdlLoadFromFile: end.”); return ret; } test1();上边说到的从磁盘加载模型是最简单的场景,但不代表模型只能从磁盘加载进来。某些场景下,模型本身已经在内存中了,此时为了将其加载进AscendCL运行时环境,总不能把这部分模型先写进磁盘,再调aclmdlLoadFromFile从磁盘加载一次吧?所以,这里我们需要一个能从内存加载模型的接口:
aclError aclmdlLoadFromMem(const void* model, size_t modelSize, uint32_t* modelId)
model:模型在内存中的地址,当应用运行在Host时,此处需申请Host上的内存;当应用运行在Device时,此处需申请Device上的内存。modelSize:内存中的模型数据长度。modelId:还是模型加载后的唯一标识。阅读下面代码,体会接口的调用方式
aclError test2() { INFO_LOG(“AclmdlLoadFromMemory: start.”); aclError ret = aclInit(nullptr); int32_t deviceId_ = 0; ret = aclrtSetDevice(deviceId_); std::string modelPath = “./googlenet.om”; uint32_t modelSize = 0; void *modelHostData = nullptr; std::ifstream modelFile(modelPath, std::ifstream::binary); modelFile.seekg(0, modelFile.end); modelSize = modelFile.tellg(); modelFile.seekg(0, modelFile.beg); ret = aclrtMallocHost(&modelHostData, modelSize); modelFile.read((char*)modelHostData, modelSize); modelFile.close(); uint32_t modelId = 0; ret = aclmdlLoadFromMem(modelHostData, modelSize, &modelId); INFO_LOG(“Model Id = %d.”, modelId); aclmdlUnload(modelId); aclrtFreeHost(modelHostData); ret = aclrtResetDevice(deviceId_); aclFinalize(); INFO_LOG(“AclmdlLoadFromMemory: end.”); return ret; } test2();模型加载进来之后,在内存中的哪里呢?换句话说,模型加载进来之后,存放模型的内存的指针我们能不能拿到?很遗憾,用上边这两个接口,我们是拿不到其指针的。其实也好理解,对于很多开发者来讲,模型加载进来之后,只要返回给开发者一个modelId,开发者能调用模型进行推理就够了,模型在内存中存放在哪里并不重要。但是对于一些多模型推理的应用来讲,这个问题就要多思考一步了。首先,设备总内存是有限的,每个模型加载进来都要占用一部分内存。对于多模型串行推理的应用来讲,推理之前一股脑地将所有模型都加载进内存,可能导致内存不足,或者加载数据的时候发现内存不足。这种场景下,我们通常会考虑这样做:
加载模型a调用模型a进行推理,得到结果a1卸载模型a加载模型b把a1送进模型b进行推理,得到结果b1卸载模型b加载模型c而每次模型的加载和卸载都涉及内存的申请和释放(用前边两个接口的话,保存模型的内存是由系统托管的,加载和释放都是在调用模型加载接口的时候自动实施的),频繁的内存申请和释放是很浪费时间的事情,这种时候,就很自然而然的想到要实施内存池方案了。简单来讲,就是每次加载模型的时候,从内存池中捞一段内存来存储模型;卸载模型之后,这部分内存要还回内存池。但要想实现这个方案,首先我们得能拿到模型加载进来之后的内存指针呀。于是我们有了下边这个接口:
aclError aclmdlLoadFromFileWithMem(const char *modelPath,uint32_t *modelId, void *workPtr, size_t workSize, void *weightPtr, size_t weightSize);
workPtr/workSize指的是“工作内存”的指针和大小;weightPtr/weightSize指的是“权值内存”的指针和大小。一个模型加载进来之后,AscendCL是将其分为两部分来保存的,一部分叫“工作内存”,指的是模型运行过程中所占用的内存(比如计算图,不包含权值的部分);另一部分叫“权值内存”,顾名思义,专门保存模型的权值数据。模型加载进来之后,是要提供给NPU使用的,那么加载进系统之后,保存的位置自然是Device侧,所以这里所说的“工作内存”和“权值内存”肯定都得是Device侧内存。
用aclmdlLoadFromFileWithMem接口加载模型,模型加载进来之后的内存地址要我们自己指定,要求有二,一是这部分内存得在Device侧,二是这部分内存得在调用aclmdlLoadFromFileWithMem接口之前就申请好,究竟申请多大的内存,能够给工作内存和权值内存使用呢?来看一个上述接口的配套接口:
aclError aclmdlQuerySize(const char *fileName, size_t *workSize, size_t *weightSize);
这个接口用于查询一个磁盘上的模型文件,如果要加载进系统,需要多大的工作内存和权值内存。有了这个接口,查出工作内存和权值内存大小,我们就能够提前申请Device内存供模型加载。阅读下面代码,理解接口调用流程。
aclError test3() { INFO_LOG(“AclmdlLoadFromFileWithMem: start.”); aclError ret = aclInit(nullptr); int32_t deviceId_ = 0; ret = aclrtSetDevice(deviceId_); const char *modelPath = “./googlenet.om”; size_t workSize = 0; void* workPtr = nullptr; size_t weightSize = 0; void* weightPtr = nullptr; ret = aclmdlQuerySize(modelPath, &workSize, &weightSize); ret = aclrtMalloc(&workPtr, workSize, ACL_MEM_MALLOC_HUGE_FIRST); ret = aclrtMalloc(&weightPtr, weightSize, ACL_MEM_MALLOC_HUGE_FIRST); uint32_t modelId = 0; ret = aclmdlLoadFromFileWithMem(modelPath, &modelId, workPtr, workSize, weightPtr, weightSize); INFO_LOG(“ModelId = %d.”, modelId); ret = aclmdlUnload(modelId); ret = aclrtFree(workPtr); ret = aclrtFree(weightPtr); ret = aclrtResetDevice(deviceId_); aclFinalize(); INFO_LOG(“AclmdlLoadFromFileWithMem: end.”); return ret; } test3();既然有aclmdlLoadFromFileWithMem,自然就有aclmdlLoadFromMemWithMem:
aclError aclmdlLoadFromMemWithMem(const void *model, size_t modelSize, uint32_t *modelId,void *workPtr,size_t workSize,void *weightPtr,size_t weightSize);
2. 给模型准备输入输出
将在下一篇中介绍
免责声明:文章内容来自互联网,本站不对其真实性负责,也不承担任何法律责任,如有侵权等情况,请与本站联系删除。
转载请注明出处:AscendCL快速入门——模型推理篇(上)-asci模型 消费者模型 https://www.yhzz.com.cn/a/8774.html