010-61934861

SqueezeNet 是UC Berkeley和Stanford研究人员一起完成的网络结构和设计思想。SqueezeNet设计目标不是为了得到最佳的CNN识别精度，而是希望简化网络复杂度，同时达到public网络的识别精度。所以SqueezeNet主要是为了降低CNN模型参数数量而设计的。

论文：《SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size》

开源模型链接：https://github.com/pytorch/vision/blob/v0.11.0/torchvision/models/squeezenet.py

数据集（ImageNet）：http://www.image-net.org/

资源准备

1. 数据集资源下载

   ImageNet是一个不可用于商业目的的数据集，必须通过教育网邮箱注册登录后下载，请前往官方自行下载 ImageNet 2012 val。

2. 模型资源下载

   squeezenet1_0 pytorch权重

3. 清微github modelzoo仓库下载

   git clone https://github.com/tsingmicro-toolchain/ts.knight-modelzoo.git

Knight环境准备

1. 联系清微智能获取Knight工具链版本包 ReleaseDeliverables/ts.knight-x.x.x.x.tar.gz。下面以ts.knight-2.0.0.4.tar.gz为例演示。

2. 检查docker环境

   默认服务器中已安装docker（版本>=19.03）, 如未安装可参考文档ReleaseDocuments/《TS.Knight-使用指南综述_V1.4.pdf》。

    docker -v

3. 加载镜像

    docker load -i ts.knight-2.0.0.4.tar.gz

4. 启动docker容器

    docker run -v ${localhost_dir}/ts.knight-modelzoo:/ts.knight-modelzoo -it ts.knight:2.0.0.4 /bin/bash

   localhost_dir为宿主机目录。

快速体验

    将下载好的数据放在/ts.knight-modelzoo/pytorch/builtin/cv/classification/squeezenet1_0/data/imagenet/images/val，并执行valprep.sh脚本对

    图片进行分类。

    在docker 容器内运行以下命令:

cd /ts.knight-modelzoo/pytorch/builtin/cv/classification/

sh squeezenet1_0/scripts/run.sh

模型移植流程

1. 量化

• 模型准备

  如上述"Knight环境准备"章节所述，准备好squeezenet1_0 pytorch权重文件。

• 量化数据准备

  将下载好的数据放在${localhost_dir}/ts.knight-modelzoo/pytorch/builtin/cv/classification/squeezenet1_0/data/imagenet/images/val，并执行valprep.sh脚本对图片进行分类。在数据集中选200张图片作为量化校准数据集, 通过命令行参数-i 200指定图片数量，-d指定数据集路径。

• 模型转换函数、推理函数准备

  已提供量化依赖的模型转换和推理函数py文件: /ts.knight-modelzoo/pytorch/builtin/cv/classification/squeezenet1_0/src/squeezenet1_0.py

• 执行量化命令

  在容器内执行如下量化命令，生成量化后的文件 squeezenet1_0_quantize.onnx 存放在 -s 指定输出目录。

  Knight --chip TX5368AV200 quant onnx -m squeezenet1_0
  	-w /ts.knight-modelzoo/pytorch/builtin/cv/classification/squeezenet1_0/weight/squeezenet1_0-b66bff10.pth
  	-f pytorch 
  	-uds /ts.knight-modelzoo/pytorch/builtin/cv/classification/squeezenet1_0/src/squeezenet1_0.py 
  	-if infer_imagenet_benchmark 
  	-s ./tmp/squeezenet1_0 
  	-d /ts.knight-modelzoo/pytorch/builtin/cv/classification/squeezenet1_0/data/imagenet/images/val 
  	-bs 1 -i 200

2. 编译

Knight --chip TX5368AV200 rne-compile --onnx squeezenet1_0_quantize.onnx --outpath .

3. 仿真

#准备bin数据
python3 src/make_image_input_onnx.py  --input /ts.knight-modelzoo/pytorch/builtin/cv/classification/squeezenet1_0/data/imagenet/images/val/n07749582 --outpath . 
#仿真
Knight --chip TX5368AV200 rne-sim --input model_input.bin --weight squeezenet1_0_quantize_r.weight --config  squeezenet1_0_quantize_r.cfg --outpath .

4. 性能分析

Knight --chip TX5368AV200 rne-profiling --weight  squeezenet1_0_quantize_r.weight --config  squeezenet1_0_quantize_r.cfg --outpath  squeezenet1_0_example/

5. 仿真库

6. 板端部署

支持芯片情况

版本说明

2023/11/23 第一版

LICENSE

ModelZoo Edge 的 License 具体内容请参见LICENSE文件

免责说明

您明确了解并同意，以上链接中的软件、数据或者模型由第三方提供并负责维护。在以上链接中出现的任何第三方的名称、商标、标识、产品或服务并不构成明示或暗示与该第三方或其软件、数据或模型的相关背书、担保或推荐行为。您进一步了解并同意，使用任何第三方软件、数据或者模型，包括您提供的任何信息或个人数据（不论是有意或无意地），应受相关使用条款、许可协议、隐私政策或其他此类协议的约束。因此，使用链接中的软件、数据或者模型可能导致的所有风险将由您自行承担。