如何手动安装AIACC-InferenceONNX版并测试demo_GPU云服务器-阿里云帮助中心

link之家

链接快照平台

输入网页链接，自动生成快照
标签化管理网页链接

相关文章推荐

任性的数据线 · Microsoft Ajax CDN 上的 ...· 1 年前 ·

温柔的小蝌蚪 · 13 个开源 CHATGPT ...· 2 年前 ·

焦虑的皮带 · c# - How to make a ...· 3 年前 ·

潇洒的紫菜汤 · java - Why do I get ...· 3 年前 ·

AIACC-Inference（AIACC推理加速）支持优化基于可导出ONNX格式的框架搭建的模型，能显著提升推理性能。本文介绍如何手动安装AIACC-Inference（AIACC推理加速） ONNX版并测试demo。

已创建阿里云GPU实例：

实例规格：配备NVIDIA P100、V100或T4 GPU

说明更多信息，请参见实例规格族。

实例镜像：Ubuntu 16.04 LTS或CentOS 7.x

GPU实例已安装：

Python 3.6

CUDA 10.0、10.2或者11.0

cuDNN 7.6或以上版本

TensorRT 7.0.0.11（CUDA 10.0）或者7.1.3.4（CUDA 10.2、11.0）

说明如需测试其它TensorRT版本，请联系我们。

ONNX是一种开放式的文件格式，用于存储训练好的模型。通过ONNX可以将不同框架的模型数据存储成统一的格式，便于在同一环境下测试不同框架的模型。

AIACC-Inference（AIACC推理加速） ONNX版通过对模型计算图进行切割、执行层间融合，以及高性能OP实现，大幅提升推理性能。通过AIACC-Inference（AIACC推理加速） ONNX版提供的ONNX模型优化软件接口，您可以对基于PyTorch、MXNet及其它支持导出ONNX模型框架开发的深度学习模型进行推理优化。

AIACC-Inference（AIACC推理加速） ONNX版提供了FP32和FP16两种精度的模型优化选项，其中FP16精度的模型可以利用NVIDIA Volta和Turing架构下的Tensor Core硬件，进一步提升在V100、T4 GPU上的推理性能。

本文示例中基于ResNet50模型执行推理任务，随机生成一张图像并分类，将推理耗时从6.4 ms降低至1.5 ms以内。

采用的环境配置如下：

实例规格：配备T4 GPU的ecs.gn6i-c4g1.xlarge

实例镜像：Ubuntu 16.04 64位

Python：3.6.12

CUDA：10.0.130

cuDNN：7.6.5

TensorRT：7.0.0.11

使用AIACC-Inference（AIACC推理加速） ONNX版的操作步骤如下：

步骤1：安装AIACC-Inference（AIACC推理加速） ONNX版软件包

步骤2：使用Python执行推理

远程连接实例。

下载软件包。

本文示例中使用的软件包名称为 aiacc_inference_onnx_latest.zip 。

wget https://ali-perseus-release.oss-cn-huhehaote.aliyuncs.com/AIACC-Inference/AIACC-Inference-ONNX/aiacc_inference_onnx_latest.zip

安装unzip工具并解压软件包。

apt-get install unzip
unzip aiacc_inference_onnx_latest.zip

安装软件包。

pip3 install aiacc_inference_onnx_latest/cuda10.0-TensorRT-7.0.0.11/aiaccix-*-cp36-cp36m-linux_x86_64.whl

如果安装报错 Command "python setup.py egg_info" failed with error code 1 in /tmp/pip-build-uihnmvc2/onnx/ ，请尝试更新setuptools和pip：

pip3 install --upgrade setuptools
python3 -m pip install --upgrade pip

准备ResNet50模型。

下载ResNet50模型文件包。

wget https://github.com/onnx/models/raw/main/vision/classification/resnet/model/resnet50-v1-7.tar.gz

解压文件包并进入模型文件所在目录。
```
tar -xvf resnet50-v1-7.tar.gz && cd resnet50v1/
```
查看目录下的文件， resnet50-v1-7.onnx 即为本文示例中使用模型文件。 # %%init session sess = aix.InferenceSession("./resnet50-v1-7.onnx") input_name = sess.get_inputs()[0].name input_shape = sess.get_inputs()[0].shape print("input_name is %s, input_shape is %s"%(input_name,str(input_shape))) # %%test image, image size == [1,3,224,224] input_image = np.random.random((1,3,224,224)).astype(np.float32) #warmup for _ in range(10): pred_onnx = sess.run(None, {input_name: input_image}) #test the inference time of input_image start = time.time() for _ in range(1000): pred_onnx = sess.run(None, {input_name: input_image}) end = time.time() print('shape is ',input_image.shape,', delta time: ',end-start,' ms')
执行 test.py 完成推理。
```
python3 test.py
```
查看推理结果。
本次推理结果如下图所示，推理耗时约1.48 ms。