多输入时,通道顺序为何会乱? Python接口怎么用多输入?

[复制链接] · 发表于 2020-2-22 21:56:12

本帖最后由 xsky 于 2020-2-22 22:30 编辑

在多输入时,各个输入shape不一样,为何从onnx转换为rknn后输入的顺序会乱, 输出的顺序是正常的,
另外C API 可以支持多输入, Python接口怎么构选多输入?  user guide 文档并没有叙述.
谢谢!

Pytorch          1.2.0
RKNN             1.3.0tensorflow       1.14.0
onnx                1.4.1
onnx-tf             1.2.1
RKNN API  1.3.0,  DRIVE: 1.3.0    Debain 10
如下代码:

import platform

import os

import torch

import numpy as np

 

from rknn.api import RKNN

 

import onnx

from onnx_tf.backend import prepare

 

class LSTM(torch.nn.Module):

 

    def __init__(self, input_size, hidden_size):

        super(LSTM, self).__init__()

 

        self._input_size = input_size

        self._hidden_size = hidden_size

        self._fc = torch.nn.Linear(input_size, input_size)

        self._tanh = torch.nn.Tanh()

        self._sigmoid = torch.nn.Sigmoid()

 

    def forward(self, x, h0, c0):

 

        return self._fc(x), self._sigmoid(h0), self._sigmoid(c0)

        #ox, (h1, c1) = self._lstm(x, (h0, c0))

        return ox, h1, c1

 

if __name__ == '__main__':

 

    system = platform.system()

 

    isize = 128

    hsize = 64

    #m = torch.nn.Linear(isize, hsize)

    m = LSTM(isize, hsize)

    m.eval()

    m.float()

 

    h0 = torch.full((1, 1, hsize), fill_value=0.15, dtype=torch.float)

    c0 = torch.full((1, 1, hsize//2), fill_value=0.07, dtype=torch.float)

    x = torch.full((1, isize), fill_value=0.1, dtype=torch.float)

    #x1 = torch.full((1, hsize), fill_value=0.2, dtype=torch.float)

    pt_file = "lstm{%dx%d}.pt" % (isize, hsize)

 

    rknn = RKNN(verbose=True)

    rknn.config(batch_size=1,

                epochs=1)  # asymmetric_quantized-u8,  quantized_dtype='dynamic_fixed_point-16' , channel_mean_value='0 0 0 1', reorder_channel='0 1 2',

 

    #pt = torch.jit.trace(m, x, h0, c0)

    #pt.save(pt_file)

    #rknn.load_pytorch(model=pt_file, input_size_list=[[1, isize]])

 

    onnx_file = pt_file + '.onnx'

    torch.onnx.export(m, (x, h0, c0), onnx_file,

                      export_params=True,  # store the trained parameter weights inside the model file

                      # do_constant_folding=True,  # whether to execute constant folding for optimization

                      opset_version=9,  # the ONNX version to export the model to

                      input_names=['input', 'h0', 'c0'],  # the model's input names

                      output_names=['output', 'h1', 'c1']  # the model's output names

                      # dynamic_axes={'input' : {0 : 'batch_size'},    # variable lenght axes

                      #              'output' : {0 : 'batch_size'}}

                      )

    rknn.load_onnx(model=onnx_file)

 

    rknn_file = pt_file + '.rknn'

    ret = rknn.build(do_quantization=False, dataset='./dataset.txt')

    rknn.export_rknn(rknn_file)

 

    print('--> Init runtime environment')

 

    if system == 'Windows':

        print("rknn run target rk1808")

        ret = rknn.init_runtime(target='rk1808', target_sub_class='AICS')

    else:

        print("rknn run target self")

        ret = rknn.init_runtime()

    if ret != 0:

        print('Init runtime environment failed')

        exit(ret)

    print('done')

 

    ix = x.numpy()

    tf_model = onnx.load(onnx_file)

    tf_rep = prepare(tf_model)

    tf_out, tf_h1, tf_c1 = tf_rep.run((ix, h0, c0))

    tf_out = np.array(tf_out)

    print("onnx out:", ix.shape, ', ', tf_out.shape)

    print(tf_out)

 

    torch_out, th_h1, th_c1 = m.forward(x, h0, c0)

    print("torch [out]:", x.shape, ', ', torch_out.shape)

    print(torch_out.detach().unsqueeze(0).numpy())

 

    ih0 = h0.numpy()

    ic0 = c0.numpy()

    rknn_out = rknn.inference(inputs=[(ix, ih0, ic0)], data_type='float32', data_format='nchw')   # , inputs_pass_through=[1]

    rknn_out = np.array(rknn_out)

    print("rknn out:", ix.shape, ', ', rknn_out.shape)

    print(rknn_out)

 

    rknn.release()
复制代码

输出的模型形状，输入输出均已命名，且onnx模型可正常运行：

查询RKNN输入相关的代码, 在RK3399Pro上运行：

ret = rknn_query(ctx, RKNN_QUERY_IN_OUT_NUM, &in_out_num, sizeof(in_out_num));

if (ret < 0) {

    printf(_LINE_MARK_ " rknn_query fail: query in out num, ret=%d\n", ret);

    goto Error;

}

assert(_NInChs == in_out_num.n_input && _NOutChs == in_out_num.n_output);

for (int i = 0; i < _NInChs; i++) {

    inputs_attr[i].index = i;

    ret = rknn_query(ctx, RKNN_QUERY_INPUT_ATTR, &(inputs_attr[i]), sizeof(inputs_attr[i]));

    if (ret < 0) {

        printf(_LINE_MARK_ " rknn_query fail: query inputs attrs, ret=%d\n", ret);

        goto Error;

    }

}

for (int i = 0; i < _NOutChs; i++) {

    outputs_attr[i].index = i;

    ret = rknn_query(ctx, RKNN_QUERY_OUTPUT_ATTR, &(outputs_attr[i]), sizeof(outputs_attr[i]));

    if (ret < 0) {

        printf(_LINE_MARK_ " rknn_query fail: query outputs attrs ret=%d\n", ret);

        goto Error;

    }

}

复制代码

输入为 (x, h0, c0)按顺序对应的shape 分另为：(1, 128), (1, 1, 64), (1, 1, 32)，但在RKNN C API中获取到的输入属性为 (1, 1, 32), (1, 128), (1, 1, 64)：

输出的顺序确是正确的(1, 128), (1, 1, 64), (1, 1, 32)：, scale = 1}}

而且, 不同次导出的onnx, RKNN编译查询得到的输入属性都会不同

显示全部楼层 · 发表于 2020-2-24 17:43:28

本帖最后由 xsky 于 2020-2-24 21:35 编辑

jefferyzhang 发表于 2020-2-23 11:04
为啥不直接用pytorch模型转rknn试试？

之前试了load_pytorch加载 build报错，应该原因是fc输入要减少一维变成两维的。

不过针对这个多输入的问题还想请教一下：
1. 是啥原因输入的顺序和给的模型不一样？另外C接口查出来的输入属性中.name是空的，如果有这个名字也方便面匹配，onnx是给了名字的。
2. 多输入的Python接口运行是怎么用的？3. 多输入如果形状不一样可以么，比如 [1, 120, 128] [1, 64] [1, 64]？

再请教一下，目前支持的这些模型格式，是不是都不支持LSTM运算符的？
现在想做个评估看看基本性能，想把TTS部到NPU，或者是测出LSTM的性能，拆出一部分部到上面。

谢谢

显示全部楼层 · 发表于 2020-2-26 20:49:47

jefferyzhang 发表于 2020-2-26 09:50
NPU部门回复：
1.支持多输入多输出，多个输入时shape可以不一样，但是输入要按照nchw的格式，具体可以参考m ...

好的，谢谢

多输入时,通道顺序为何会乱? Python接口怎么用多输入?

本帖子中包含更多资源