摘要：前言 在上一周的測試中，我們按照官方給的流程，使用EasyDL快速實現了一個具有性別檢測功能的人臉識別系統，那么 今天，我們將要試一下通過Paddlepaddle從零開始，訓練一個自己的多分類模型，并進行嵌入式部署。 整個訓練 過程和模型在：https://aistudio.baidu.com/aistudio/projectDetail/61103 下面詳細介紹模型訓練...

前言

在上一周的測試中，我們按照官方給的流程，使用EasyDL快速實現了一個具有性別檢測功能的人臉識別系統，那么

今天，我們將要試一下通過Paddlepaddle從零開始，訓練一個自己的多分類模型，并進行嵌入式部署。 整個訓練

過程和模型在：https://aistudio.baidu.com/aistudio/projectDetail/61103 下面詳細介紹模型訓練的過程.

數據集準備

我們使用CIFAR10數據集。CIFAR10數據集包含60,000張32x32的彩色圖片，10個類別，每個類包含6,000張。其中

50,000張圖片作為訓練集，10000張作為驗證集。

!mkdir‐p/home/aistudio/.cache/paddle/dataset/cifar#wget將下載的文件存放到指定的文件夾下，同時重命名下載的文件，利用‐O!wget"http://ai‐atest.bj.bcebos.com/cifar‐10‐python.tar.gz"‐Ocifar‐10‐python.tar.gz!mvcifar‐10‐python.tar.gz/home/aistudio/.cache/paddle/dataset/cifar/

模型結構

我們選擇了以三個卷積層串聯一個全連接層的輸出，作為貓狗分類的預測，采用固定維度輸入，輸出為分類數

defconvolutional_neural_network(img):#第一個卷積‐池化層conv_pool_1=fluid.nets.simple_img_conv_pool(input=img,#輸入圖像filter_size=5,#濾波器的大小num_filters=20,#filter的數量。它與輸出的通道相同pool_size=2,#池化層大小2*2pool_stride=2,#池化層步長act="relu")#激活類型#第二個卷積‐池化層conv_pool_2=fluid.nets.simple_img_conv_pool(input=conv_pool_1,filter_size=5,num_filters=50,pool_size=2,pool_stride=2,act="relu")#第三個卷積‐池化層conv_pool_3=fluid.nets.simple_img_conv_pool(input=conv_pool_2,filter_size=5,num_filters=50,pool_size=2,pool_stride=2,act="relu")#以softmax為激活函數的全連接輸出層，10類數據輸出10個數字prediction=fluid.layers.fc(input=conv_pool_3,size=10,act='softmax')returnprediction

訓練&驗證

接下來在Paddlepaddle fluid上，進行訓練。整個訓練代碼見附件train.py 模型驗證,采用附件predict.py的代碼進

行驗證與運行時間的測量，選取一張狗的圖：dog.jpg (可以fork首頁鏈接aistudio平臺上的demo) 連續預測10000

次，輸出如下:

CPU運行結果為：預處理時間為0.0006270000000085929，預測時間為：16.246494Out:im_shape的維度：(1,3,32,32)Theruntimeofimageprocessis0.0006270000000085929Theruntimeofpredictis16.246494results[array([[5.0159363e‐04,3.5942634e‐05,2.5955746e‐02,4.7745958e‐02,9.9251214e‐03,9.0146154e‐01,1.9564393e‐03,1.2230080e‐02,4.7619540e‐08,1.8753216e‐04]],dtype=float32)]inferresults:dog

GPUV100運行結果為：預處理時間為0.0006390000000067175，預測時間為：15.903074000000018Out:im_shape的維度：(1,3,32,32)Theruntimeofimageprocessis0.0006390000000067175Theruntimeofpredictis15.903074000000018results[array([[5.0159392e‐04,3.5942641e‐05,2.5955772e‐02,4.7746032e‐02,9.9251205e‐03,9.0146142e‐01,1.9564414e‐03,1.2230078e‐02,4.7619821e‐08,1.8753250e‐04]],dtype=float32)]inferresults:dog

可以看到,模型可以正確的識別出圖片中的動物為狗，接下來，我們就要嘗試將這個模型部署到Edgeboard上面。

模型導出

我們需要將模型保存為模型文件model以及權重文件params,可以采用如下Paddle的API進行保存如圖所示，在AiStudio的左側打開模型文件所在的文件夾，下載mlp-model、mlp-params兩個文件。

在Edgeboard上部署模型，完成預測

1、新建工程文件夾，目錄結構如下(可以仿照sample里的resnet、inception例程)：

‐sample_image_catdog‐build‐image‐include‐paddlepaddle‐mobile‐...‐lib‐libpaddle‐mobile.so‐model‐mlp‐model‐params‐src‐fpga_cv.cpp‐main.cpp

2、將AiStudio上導出來的模型放置在model里的mlp文件夾，修改名字為model、params

3、新建 CMakeLists.txt

cmake_minimum_required(VERSION3.5.1)project(paddle_edgeboard)set(CMAKE_CXX_STANDARD14)set(CMAKE_EXE_LINKER_FLAGS"${CMAKE_EXE_LINKER_FLAGS}‐pthread")add_definitions(‐DPADDLE_MOBILE_FPGA_V1)add_definitions(‐DPADDLE_MOBILE_FPGA)set(PADDLE_LIB_DIR"${PROJECT_SOURCE_DIR}/lib")set(EASYDL_INCLUDE_DIR"${PROJECT_SOURCE_DIR}/include")set(PADDLE_INCLUDE_DIR"${PROJECT_SOURCE_DIR}/include/paddle‐mobile")set(APP_NAME"paddle_edgeboard")aux_source_directory(${CMAKE_CURRENT_SOURCE_DIR}/srcSRC)find_package(OpenCVQUIETCOMPONENTScorevideoiohighguiimgprocimgcodecsmlvideo)include_directories(SYSTEM${OpenCV_INCLUDE_DIRS})#list(APPENDCaffe_LINKER_LIBS${OpenCV_LIBS})message(STATUS"OpenCVfound(${OpenCV_CONFIG_PATH})，${OpenCV_LIBS}")#add_definitions(‐DUSE_OPENCV)include_directories(${EASYDL_INCLUDE_DIR})include_directories(${PADDLE_INCLUDE_DIR})LINK_DIRECTORIES(${PADDLE_LIB_DIR})add_executable(${APP_NAME}${SRC})target_link_libraries(${APP_NAME}paddle‐mobile)target_link_libraries(${APP_NAME}${OpenCV_LIBS})

4、main.cpp

#include#include"io/paddle_inference_api.h"#include"math.h"#include#include#include#include#include#include#include#include#include#include#include"fpga/KD/float16.hpp"#include"fpga/KD/llapi/zynqmp_api.h"usingnamespacepaddle_mobile;#include#includeusingnamespacecv;cv::Matsample_float;staticstd::vectorlabel_list(10);voidreadImage(std::stringfilename,float*buffer){Matimg=imread(filename);if(img.empty()){std::cerr<(config);std::cout<({1,3,32,32});tensor.data=PaddleBuf(data,sizeof(data));tensor.dtype=PaddleDType::FLOAT32;std::vectorpaddle_tensor_feeds(1,tensor);PaddleTensortensor_out;tensor_out.shape=std::vector({});tensor_out.data=PaddleBuf();tensor_out.dtype=PaddleDType::FLOAT32;std::vectoroutputs(1,tensor_out);std::cout<Run(paddle_tensor_feeds,&outputs);std::cout<(outputs[0].data.data());for(size_tj=0;jmax){max=val>max?val:max;iindex=i;}}label_list={"airplane","automobile","bird","cat","deer","dog","frog","horse","ship","truck"};std::cout<
5、編譯運行
insmod/home/root/workspace/driver/fpgadrv.kocd/home/root/workspace/sample/sample_image_catdogmkdirbuildcdbuildrm‐rf*cmake..make./paddle_edgeboard
修改main文件要預測的圖像：
6、修改main文件后重復執行預測，可得結果如下：圖像處理時間大概為：0.006秒，預測時間大概為：0.008秒
7、連續預測10000次所用時間為：23.7168
性能對比（連續預測10000次 單位：秒）
平臺
前處理耗時
模型預測耗時
Edgeboard
0.006
23.7168
CPU(AISTUDIO平臺雙核8G)
0.000627
16.2464
GPU(AISTUDIO平臺雙核8G+GPU V100 16GB)
0.000639
15.9030
總結
優點：
1. EdgeBoard內置的Paddle-Mobile，可以與Paddle訓練出來的模型進行較好的對接。
2. 預測速度上: Edge在預測小模型的時候，能與雙核CPU和GPU在一個數量級，估計是模型較小，batch size也
為1，gpu，cpu的性能優勢抵不過通信的開銷，后續將進行大模型、高batch size的測試。
3. 提供的demo也足夠簡單，修改起來難度很低。
不足：
1. Paddle-Mobile相關文檔具有一定門檻，且較為分散。初次使用的時候會走一些彎路出現問題的時候往往是個
黑盒，不易于定位。在這次進行模型訓練的嘗試中，出現過一次op不支持的情況，我們在官網上甚至沒有找
到支持的op列表，這個在開發哥們的支持下升級版本后解決。如果后續能在穩定的固件版本下使用，并有比
較易用的sdk，開發門檻可能會進一步降低。