摘要：本实验主要是以基于Caffe ResNet-50网络实现图片分类（仅推理）为例，学习如何在已经具备预训练模型的情况下，将该模型部署到昇腾AI处理器上进行推理。
本文分享自华为云社区《【CANN训练营】【2022第二季】【新手班】基于Caffe ResNet-50网络实现图片分类（仅推理）的实验复现》，作者： StarTrek 。
本实验主要是以基于Caffe ResNet-50网络实现图片分类（仅推理）为例，学习如何在已经具备预训练模型的情况下，将该模型部署到昇腾AI处理器上进行推理。该实验的主要任务有：
1、将Caffe ResNet-50网络的模型文件转换为适配昇腾AI处理器的离线模型（ * .om文件）；
2、加载该om文件，对2张 * .jpg图片进行同步推理，分别得到推理结果后，再对推理结果进行处理，输出top5置信度的类别标识；
3、将测试的图片替换为自己的图片并重新编译运行。
一、云服务器的使用
首先为了更好的让我们能够了解并学习昇腾的相关知识，华为CANN训练营为每一位学员都给予了一定的云服务器资源，关于云服务器的使用简单总结如下：
本次提供的共享镜像是：Ubuntu 18.04（系统） + 5.1.RC2.alpha005（CANN环境版本）
登陆华为云->进入控制台->申请ESC弹性云服务器->获取弹性公网IP->运用SSH远程访问云服务器->正常按照ubuntu系统的终端命令来操作使用服务器
资源链接：
远程终端软件推荐MobaXterm：https://mobaxterm.mobatek.net/
软件使用方法：https://blog.csdn.net/xuanying_china/article/details/120080644
进入终端后为root用户，需要进入HwHiAiUser用户
指令：
cd /home/
su - HwHiAiUser
可以使用ls或者ll指令随意浏览系统中已有的文件情况。
二、基于Caffe ResNet-50网络实现图片分类（仅推理）实验
准备工作完成之后，下面就可以开始正式的实验之旅啦！可以按照仓库里的readme文件所述步骤一步步操作，此处也仅仅只是简单的给出实验的步骤和实验图。
1、下载样例代码
克隆sample仓里的代码
git clone https://gitee.com/ascend/samples.git
进入到resnet50_imagenet_classification样例的文件夹中
cd samples/
cd cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification
2、获取ResNet-50预训练模型
先创建一个用来存储该模型的文件夹，并打开该文件夹
mkdir caffe_model
cd caffe_model
从网页直接通过命令下载预训练模型：权重文件（resnet50.caffemodel）和模型文件（resnet50.prototxt）
wegt https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/resnet50/resnet50.prototxt wegt https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/resnet50/resnet50.caffemodel
3、模型转换
上述下载的预训练模型需要首先运用ATC模型转换工具将该模型转换成昇腾AI处理器支持的离线模型（.om）
官方文档ATC工具学习资源：
https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/51RC2alpha005/infacldevg/atctool
流程：
首先先切换到样例目录下（接着上面的操作就是上一级目录）
cd ../
然后运行模型转换工具
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
打开model文件夹可以看到resnet50.om已经转换完成了
4、下载测试图片
进入data文件夹，并下载两张ImageNet数据集中存在类别的图片
cd ../data/ wget https://c7xcode.obs.cn-north-4.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg wget https://c7xcode.obs.cn-north-4.myhuaweicloud.com/models/aclsample/dog2_1024_683.jpg
测试的两张图
5、图片格式转换
下载的图片是JPEG格式的，需要转换成适合模型输入要求格式的二进制文件（.bin）
在data目录下，执行transferPic.py脚本，将*.jpg转换为*.bin，同时将图片从1024 * 683的分辨率缩放为224 * 224。
python3 ../script/transferPic.py
6、编译运行
进入“cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification”样例目录
cd ../
设置临时的环境变量，配置程序编译依赖的头文件与库文件路径
export DDK_PATH=$HOME/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB=$DDK_PATH/acllib/lib64/stub
建立build文件夹，准备编译代码文件
mkdir -p build/intermediates/host
进入build文件夹，编译.cpp文件
cd build/intermediates/host cmake ../../../src -DCMAKE_CXX_COMPILER=g++ -DCMAKE_SKIP_RPATH=TRUE make
可以在样例目录（cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification）下的out文件夹中找到编译好的可执行main文件，接下来我们直接运行main文件
cd ../../../out/ ./main
三、替换图片数据进行测试
这里在网上随便找了两张图（一张金鱼label-1，一张金毛犬label-207），可以随意找几张图，只要是JPG格式的图片即可，图片中的事物类型最好是ImageNet数据集标签中的类型。
1、添加图片并转换格式
可以直接下载到本地电脑中，然后直接将文件拖到MobaXterm软件的云服务器文件列表中，为了方便直接先在列表中找到前面的data文件夹，然后直接拖拽到该文件夹下即可。
按照前面的操作（5、图片格式转换）重新进行图片文件格式的转换，在data目录下运行
python3 ../script/transferPic.py
2、修改sample_process.cpp源码，添加新增的两张图片的路径
在testFile列表中增加前面新添加的并转换好的那两张bin格式的文件路径，路径仿照前两个写即可，不过别忘记不同文件路径间的逗号分隔哦
3、重新编译源码
按照前面的步骤进行即可（6、编译运行），需要注意的是，如果重启过服务器，之前设置的编译临时环境会丢失，需要再次设置临时的环境变量（配置程序编译依赖的头文件与库文件路径），然后可以在build/intermediates/host文件下直接运行make编译即可，编译器会自动编译修改过的源文件并覆盖。
4、推理
按照前面的步骤重新运行编译好的main文件即可（6、编译运行中的最后一步），注意文件的路径，需要在out文件夹下运行，因为main文件是被保存在这里的。
最后我们可以看到
标签为1是金鱼，第一张图是金鱼的概率为99.7070%
标签为207是金毛犬，第二张图是金毛犬的概率为99.5605%