4.1.1.4. 验证模型¶
为了确保模型能顺利在地瓜机器人平台高效运行，模型中所使用的算子需要符合平台的算子约束。
算子约束部分给出了我们支持的具体算子，每个算子都给出了具体的参数限制，
具体详细信息请参考 模型转换工具链算子支持约束列表 章节的内容。
考虑到地瓜机器人支持的算子较多，为了避免人工逐条校对的麻烦，
我们提供了 hb_mapper checker 工具用于验证模型所使用算子的支持情况。
4.1.1.4.1. 使用 hb_mapper checker 工具验证模型¶
hb_mapper checker 工具的使用方式如下：
hb_mapper checker --model-type ${model_type} \
--march ${march} \
--proto ${proto} \
--model ${caffe_model/onnx_model} \
--input-shape ${input_node} ${input_shape} \
--output ${output}
hb_mapper checker 参数解释：
--model-type
用于指定检查输入的模型类型，目前只支持设置
caffe或者onnx。--march
用于指定需要适配的处理器类型，可设置值为
bernoulli2和bayes， 分别对应 X3 和 J5 处理器，根据您需要适配的平台选择即可。--proto
此参数仅在
model-type指定caffe时有效，取值为 Caffe 模型的 prototxt 文件名称。--model
在
model-type被指定为caffe时，取值为 Caffe 模型的 caffemodel 文件名称。 在model-type被指定为onnx时，取值为 ONNX 模型文件名称。--input-shape
可选参数，明确指定模型的输入 shape。 取值为
{input_name} {NxHxWxC/NxCxHxW}，input_name与 shape 之间以空格分隔。 例如模型输入名称为data1，输入 shape 为[1,224,224,3]， 则配置应该为--input-shape data1 1x224x224x3。 如果此处配置 shape 与模型内 shape 信息不一致，以此处配置为准。注解
注意一个
--input-shape只接受一个 name 和 shape 组合，如果您的模型有多个输入节点， 在命令中多次配置--input-shape参数即可。
注意
--output 参数已经废弃，log 信息默认存储于 hb_mapper_checker.log 中。
4.1.1.4.2. 检查异常处理¶
如果模型检查不通过， hb_mapper checker 工具会报出 ERROR。
在当前工作目录下会生成 hb_mapper_checker.log 文件，从文件中可以查看到具体的报错。
例如以下配置中含不可识别算子类型 Accuracy：
layer {
name: "data"
type: "Input"
top: "data"
input_param { shape: { dim: 1 dim: 3 dim: 224 dim: 224 } }
}
layer {
name: "Convolution1"
type: "Convolution"
bottom: "data"
top: "Convolution1"
convolution_param {
num_output: 128
bias_term: false
pad: 0
kernel_size: 1
group: 1
stride: 1
weight_filler {
type: "msra"
}
}
}
layer {
name: "accuracy"
type: "Accuracy"
bottom: "Convolution3"
top: "accuracy"
include {
phase: TEST
}
}
使用 hb_mapper checker 检查这个模型，您会在 hb_mapper_checker.log 中得到如下信息：
ValueError: Not support layer name=accuracy type=Accuracy
4.1.1.4.3. 检查结果解读¶
如果不存在 ERROR，则顺利通过校验。 hb_mapper checker 工具将直接输出如下信息：
==============================================
Node ON Subgraph Type
----------------------------------------------
conv1 BPU id(0) HzSQuantizedConv
conv2_1/dw BPU id(0) HzSQuantizedConv
conv2_1/sep BPU id(0) HzSQuantizedConv
conv2_2/dw BPU id(0) HzSQuantizedConv
conv2_2/sep BPU id(0) HzSQuantizedConv
conv3_1/dw BPU id(0) HzSQuantizedConv
conv3_1/sep BPU id(0) HzSQuantizedConv
...
结果中每行都代表一个模型节点的 check 情况，每行含 Node、ON、Subgraph 和 Type 四列， 分别为节点名称、执行节点计算的硬件、节点所属子图和节点映射到的地瓜机器人内部实现名称。 如果模型在非输入和输出部分出现了 CPU 计算的算子，工具将把这个算子前后连续在 BPU 计算的部分拆分为两个 Subgraph（子图）。
4.1.1.4.4. 检查结果的调优指导¶
在最理想的情况下，非输入和输出部分都应该在 BPU 上运行，也就是只有一个子图。
如果出现了 CPU 算子导致拆分多个子图， hb_mapper checker 工具会给出导致 CPU 算子出现的具体原因。
例如以下 Caffe 模型的出现了 Reshape + Pow + Reshape 的结构，从算子约束列表中我们可以看到，Reshape 算子目前为在 CPU 上运行的算子，而 POW 的 shape 也是非 4 维的。
因此模型最终检查结果也会出现分段情况，如下:
2022-05-25 15:16:14,667 INFO The converted model node information:
====================================================================================
Node ON Subgraph Type
-------------------------------------------------------------------------------------
conv68 BPU id(0) HzSQuantizedConv
sigmoid16 BPU id(0) HzLut
axpy_prod16 BPU id(0) HzSQuantizedMul
UNIT_CONV_FOR_eltwise_layer16_add_1 BPU id(0) HzSQuantizedConv
prelu49 BPU id(0) HzPRelu
fc1 BPU id(0) HzSQuantizedConv
fc1_reshape_0 CPU -- Reshape
fc_output/square CPU -- Pow
fc_output/sum_pre_reshape CPU -- Reshape
fc_output/sum BPU id(1) HzSQuantizedConv
fc_output/sum_reshape_0 CPU -- Reshape
fc_output/sqrt CPU -- Pow
fc_output/expand_pre_reshape CPU -- Reshape
fc_output/expand BPU id(2) HzSQuantizedConv
fc1_reshape_1 CPU -- Reshape
fc_output/expand_reshape_0 CPU -- Reshape
fc_output/op CPU -- Mul
注意
请注意，这里 log 结果仅用作示例，在使用过程中，请以您使用的版本实际打印的 log 情况为准。
根据 hb_mapper checker 给出的提示，一般来说算子运行在 BPU 上会有更好的性能表现。 当然，多个子图也不会影响整个转换流程，但会较大程度地影响模型性能，建议尽量调整至全 BPU 执行。