1. 模型转换
按照R329教程一|周易 AIPU 部署及仿真教程将tensorflow的模型转换成pb模型。这里对resnet50进行转换，转换后的模型在附件一的百度网盘。
2. 矫正数据集
这里我们是针对imagenet分类的模型进行量化的。我们量化矫正的数据集采用imagenet_1k.zip，然后将数据制作成npy文件。制作好的npy文件在附件一的百度网盘。
3. NN compiler的cfg文件
这里我们因为是在docker中进行仿真测试的，所以我们采用run的模式，具体的配置如下。需要根据模型，数据的位置进行修改。
resnet50_run.cfg
[Common]
mode=run
[Parser]
model_name = resnet_50
detection_postprocess =
model_domain = image_classification
output = resnet_v1_50/predictions/Reshape_1
input_model = ./model/resnet_v1_50_frozen.pb
input = input
input_shape = [1,224,224,3]
output_dir = ./
[AutoQuantizationTool]
model_name = resnet_50
quantize_method = SYMMETRIC
ops_per_channel = DepthwiseConv
calibration_data = ./dataset/dataset1000.npy
calibration_label = ./dataset/label1000.npy
preprocess_mode = normalize
quant_precision=int8
reverse_rgb = False
label_id_offset = 0
[GBuilder]
inputs=./output/input.bin
outputs=./output/output_resnet_50.bin
simulator=aipu_simulator_z1
profile= True
target=Z1_07014. simulator执行的输入输出结果，比较运算量化误差
准备好：
- pb模型
- 校准数据集
- cfg配置文件
这三样东西后，就可以用docker cp ./folder $name:path命令，将所有的文件拷贝到docker容器中。我拷贝到docker容器中截图：
接下来，就可以进行模型的量化和验证了。直接使用如下命令
aipubuild config/resnet50_run.cfg运行之后得到在output文件夹下得到output_resnet_50.bin，使用 quant_val.py进行解析：
root@a721d8d4db47:~/demos/2_resnet50# python demo/quan_val.py
predict first 5 label:
index 230, prob 205, name: Old English sheepdog, bobtail
index 231, prob 48, name: Shetland sheepdog, Shetland sheep dog, Shetland
index 999, prob 0, name: ear, spike, capitulum
index 342, prob 0, name: hog, pig, grunter, squealer, Sus scrofa
index 340, prob 0, name: sorrel
true first 5 label:
index 232, prob 83, name: collie
index 231, prob 83, name: Shetland sheepdog, Shetland sheep dog, Shetland
index 158, prob 41, name: papillon
index 170, prob 40, name: borzoi, Russian wolfhound
index 161, prob 39, name: Afghan hound, Afghan
Detect picture save to result.jpeg
***************** TOP 1 result ***************
Predict Class is 231
True Class is 231可以看到都是231是最大可能的类别。
测试时的图片是：
