作者：十岁的小男孩
QQ：929994365
无用
本文仅用于学习研究，非商业用途，欢迎大家指出错误一起学习，文章内容翻译自 MACE 官方手册，记录本人阅读与开发过程，力求不失原意，但推荐阅读原文。
本文是mace学习的第二步，如何撰写Yaml文件，将pb模型部署到该文件中进行编译。若环境尚未搭建完毕的同学请看第一篇环境搭建，编译出的库在安卓中如何使用请浏览第三步即mace工程化。
MACE(1)-----环境搭建：https://www.cnblogs.com/missidiot/p/9480033.html
MACE(3)-----工程化：https://www.cnblogs.com/missidiot/p/9717633.html
小米官方文档编写部署文件：https://mace.readthedocs.io/en/latest/user_guide/basic_usage.html
目录
准备模型文件
创建部署文件
高级用法
1.准备模型文件
说明：本文只关注TensorFlow平台。
准备好预先训练的TensorFlow model.pb文件。使用图形转换工具 优化模型以进行推理。此工具将通过进行多个优化来提高推理效率，例如操作员折叠，冗余节点删除等。我们强烈建议MACE用户在构建之前使用它。
# CPU/GPU:
./transform_graph \
--in_graph=/path/to/your/tf_model.pb \
--out_graph=/path/to/your/output/tf_model_opt.pb \
--inputs='input node name' \
--outputs='output node name' \
--transforms='strip_unused_nodes(type=float, shape="1,64,64,3")
strip_unused_nodes(type=float, shape="1,64,64,3")
remove_nodes(op=Identity, op=CheckNumerics)
fold_constants(ignore_errors=true)
flatten_atrous_conv
fold_batch_norms
fold_old_batch_norms
remove_control_dependencies
strip_unused_nodes
sort_by_execution_order'
注：（尚未搞清楚，以下文件的如何用）
2. 创建部署文件（model.yaml）
转换模型或构建库时，MACE需要读取YAML文件，此文件称为模型部署文件。模型部署文件包含模型和构建选项的所有信息。构建过程包括解析模型部署文件，转换模型，构建MACE核心库以及打包生成的模型库。
一个部署文件将正常生成一个库，但如果指定了多个ABI，则将为每个ABI生成一个库。部署文件还可以包含多个模型。例如，AI相机应用程序可以包含面部识别，对象识别和语音识别模型，所有这些都可以在一个部署文件中定义。
下例为mace官方提供的例子：
# The name of library
library_name: mobilenet
target_abis: [arm64-v8a]
model_graph_format: file
model_data_format: file
models:
mobilenet_v1: # model tag, which will be used in model loading and must be specific.
platform: tensorflow
# path to your tensorflow model's pb file. Support local path, http:// and https://
model_file_path: https://cnbj1.fds.api.xiaomi.com/mace/miai-models/mobilenet-v1/mobilenet-v1-1.0.pb
# sha256_checksum of your model's pb file.
# use this command to get the sha256_checksum: sha256sum path/to/your/pb/file
model_sha256_checksum: 71b10f540ece33c49a7b51f5d4095fc9bd78ce46ebf0300487b2ee23d71294e6
# define your model's interface
# if there multiple inputs or outputs, write like blow:
# subgraphs:
# - input_tensors:
# - input0
# - input1
# input_shapes:
# - 1,224,224,3
# - 1,224,224,3
# output_tensors:
# - output0
# - output1
# output_shapes:
# - 1,1001
# - 1,1001
subgraphs:
- input_tensors:
- input
input_shapes:
- 1,224,224,3
output_tensors:
- MobilenetV1/Predictions/Reshape_1
output_shapes:
- 1,1001
# cpu, gpu or cpu+gpu
runtime: cpu+gpu
winograd: 0
Command：
# Get device's soc info.（尚未搞清楚在哪用）
adb shell getprop | grep platform # command for generating sha256_sum，获取检测码，路径指向pb文件目录（直接在终端下使用）
sha256sum /path/to/your/file
配置：
注：[option]为可选的，在部署文件中可选。
3. 高级用法
3.1 将模型转换成C++代码
1. 更改部署文件
如果要保护模型，可以将模型转换为C ++代码。还有两种情况：
1.1 将模型图转换为代码并使用以下模型配置将权重建模到文件。
model_graph_format: code
model_data_format: file
将模型图和模型权重转换为具有以下模型配置的代码。
model_graph_format: code
model_data_format: code
以上两步当model_graph_format: code时候后期会生成mace_engine_factory.h文件，后期遇到再解释（未完成，尚未知其用途）
1.2 另一种模型保护方法obfuscate用于混淆模型运算符的名称。（未知）
2. 将模型转换为代码
python tools/converter.py convert --config=/path/to/model_deployment_file.yml
该命令将在builds / $ {library_name} / model目录中生成$ {library_name} .a，在builds / $ {library_name} / include中生成 ** .h *，如下面的dir-tree。
# model_graph_format: code
# model_data_format: file builds
├── include
│ └── mace
│ └── public
│ ├── mace_engine_factory.h
│ └── mobilenet_v1.h
└── model
├── mobilenet-v1.a
└── mobilenet_v1.data # model_graph_format: code
# model_data_format: code builds
├── include
│ └── mace
│ └── public
│ ├── mace_engine_factory.h
│ └── mobilenet_v1.h
└── model
└── mobilenet-v1.a
3. 部署
libmace.a和$ {library_name} .a链接到您的目标。
参阅mace/examples/example.cc完整用法。以下列出了关键步骤。
// Include the headers
#include "mace/public/mace.h"
#include "mace/public/mace_runtime.h"
// If the model_graph_format is code
#include "mace/public/${model_name}.h"
#include "mace/public/mace_engine_factory.h" // ... Same with the code in basic usage // 4. Create MaceEngine instance
std::shared_ptr<mace::MaceEngine> engine;
MaceStatus create_engine_status;
// Create Engine from compiled code
create_engine_status =
CreateMaceEngineFromCode(model_name.c_str(),
model_data_file, // empty string if model_data_format is code
input_names,
output_names,
device_type,
&engine);
if (create_engine_status != MaceStatus::MACE_SUCCESS) {
// Report error
} // ... Same with the code in basic usage
3.2 调整特点的SoC的GPU内核（尚未搞清楚干啥）
如果您想使用特定设备的GPU，您只需target_socs在YAML文件中指定，然后为其调整MACE lib（OpenCL内核），这可能会提高1~10％的性能。
1.更改模型部署文件（.yml）
指定target_socs模型中的部署文件（.yml）：
target_socs: [sdm845]
注意：获取设备的soc信息：adb shell getprop | grep平台
2.转换模型
python tools/converter.py convert --config=/path/to/model_deployment_file.yml
3.调整
tools / converter.py将启用GPU内核的自动调整。这通常需要一些时间才能完成，具体取决于模型的复杂程度。
python tools/converter.py run --config=/path/to/model_deployment_file.yml --validate
该命令将在builds / $ {library_name} / opencl中生成两个文件，如下面的dir-tree。
builds
└── mobilenet-v2
├── model
│ ├── mobilenet_v2.data
│ └── mobilenet_v2.pb
└── opencl
└── arm64-v8a
├── moblinet-v2_compiled_opencl_kernel.MiNote3.sdm660.bin
└── moblinet-v2_tuned_opencl_parameter.MiNote3.sdm660.bin
mobilenet-v2-gpu_compiled_opencl_kernel.MI6.msm8998.bin代表用于模型的OpenCL二进制文件，可以加速初始化阶段。详情请参阅OpenCL规范。
mobilenet-v2-tuned_opencl_parameter.MI6.msm8998.bin代表SoC的调整OpenCL参数。
4.部署
更改上面生成的文件名称以防止发生冲突，并将它们推送到您自己设备的目录中。
使用与前面的过程类似，下面列出了不同的关键步骤。
// Include the headers
#include "mace/public/mace.h"
#include "mace/public/mace_runtime.h" // 0. Set pre-compiled OpenCL binary program file paths and OpenCL parameters file path when available
if (device_type == DeviceType::GPU) {
mace::SetOpenCLBinaryPaths(path/to/opencl_binary_paths);
mace::SetOpenCLParameterPath(path/to/opencl_parameter_file);
} // ... Same with the code in basic usage.