原始模型转换为Graph

除了可以将算子原型直接构图外，CANN还提供了框架Parser功能，将主流框架的模型格式转换成CANN模型格式。

功能介绍

目前业界开源的深度学习框架（例如TensorFlow，PyTorch、Caffe等），定义模型的格式各有不同，例如TensorFlow通过自定义pb描述静态图和模型，PyTorch通过ONNX规范描述，因此需要通过统一的框架解析功能隔离上层框架差异，通过Parser模块完成解析并转换成昇腾AI处理器支持的CANN模型格式。

点击放大

涉及的主要接口为：

解析TensorFlow模型：aclgrphParseTensorFlow
解析Caffe模型：aclgrphParseCaffe
解析ONNX原始模型：aclgrphParseONNX
解析加载至内存的ONNX模型：aclgrphParseONNXFromMem

Parser层目前为用户开放了自定义OpParser和自定义TensorFlow Scope融合规则的能力，如果用户在Parser解析时需要对框架进行更灵活的适配，则可以自定义OpParser或自定义开发TensorFlow Scope融合规则。

自定义OpParser：如果用户需要将原始框架中算子直接映射到CANN中已实现的TBE算子，可直接进行第三方框架的适配，具体请参考算子适配章节。
自定义TensorFlow Scope融合规则：基于TensorFlow构建的神经网络计算图通常由大量的小算子组成，为了实现高性能的计算，往往需要对子图中的小算子进行融合，使得融合后的大算子可以充分利用硬件加速资源。具体请参考《TensorFlow Parser Scope融合规则开发指南》。

基于TensorFlow模型解析

包含的头文件：

      
           #include "tensorflow_parser.h"

通过aclgrphParseTensorFlow接口将TensorFlow原始模型转换为Graph，此时Graph保存在内存缓冲区中。

       
            std::string tfPath = "../data/tf_test.pb";
ge::Graph graph1;
auto tfStatus = ge::aclgrphParseTensorFlow(tfPath.c_str(),graph1);

同时，支持用户指定parser_params：

      
           std::string tfPath = "../data/tf_test.pb";
std::map<ge::AscendString, ge::AscendString> parser_params= {
            {ge::AscendString(ge::ir_option::LOG_LEVEL), ge::AscendString("debug")},
            {ge::AscendString(ge::ir_option::INPUT_FORMAT), ge::AscendString("NHWC")}};
ge::Graph graph1;
auto tfStatus = ge::aclgrphParseTensorFlow(tfPath.c_str(), parser_params, graph1);

基于Caffe模型解析

包含的头文件：

      
           #include "caffe_parser.h"

通过aclgrphParseCaffe接口将Caffe原始模型转换为Graph，此时Graph保存在内存缓冲区中。

       
            std::string caffePath = "../data/caffe_test.prototxt";
std::string weight = "../data/caffe_test.caffemodel";
ge::Graph graph1;
auto caffeStatus = ge::aclgrphParseCaffe(caffePath.c_str(), weight.c_str(), graph1);

同时，支持用户指定parser_params：

      
           std::string caffePath = "../data/caffe_test.prototxt";
std::string weight = "../data/caffe_test.caffemodel";
std::map<ge::AscendString, ge::AscendString> parser_params= {
            {ge::AscendString(ge::ir_option::LOG_LEVEL), ge::AscendString("debug")},
            {ge::AscendString(ge::ir_option::INPUT_FORMAT), ge::AscendString("NHWC")}};
ge::Graph graph1;
auto caffeStatus = ge::aclgrphParseCaffe(caffePath.c_str(), weight.c_str(), parser_params, graph1);

基于ONNX模型解析

包含的头文件：

      
           #include "onnx_parser.h"

通过aclgrphParseONNXFromMem接口将加载至内存的ONNX模型转换为Graph，此时Graph保存在内存缓冲区中。同时，支持用户指定parser_params：

       
        
          
          
            /* read file in binary format */
FILE *pFile = fopen("./onnx/resnet101.onnx", "rb" );
if(pFile==NULL)
{
    fputs("File error",stderr);
    exit(1);
}

/* get the size of the file */
fseek(pFile, 0, SEEK_END);
long lSize = ftell(pFile);
rewind(pFile);

/* assign memory buffer for the file*/
char *buffer =(char*) malloc(sizeof(char)*lSize);
if(buffer == NULL)
{
    fputs("Memory error", stderr); 
    exit(2);
}
/* copy the file to buffer */
size_t result = fread(buffer, 1, lSize, pFile);
if(result != lSize)
{
    fputs("Reading error", stderr);
    exit(3);
}
std::map<ge::AscendString, ge::AscendString> parser_params= {
            {ge::AscendString(ge::ir_option::LOG_LEVEL), ge::AscendString("debug")},
            {ge::AscendString(ge::ir_option::INPUT_FORMAT), ge::AscendString("NCHW")}};
ge::Graph graph1;
auto onnxStatus = ge::aclgrphParseONNXFromMem(buffer, result, parser_params, graph1);

           

         

       
      

通过aclgrphParseONNX接口将ONNX原始模型转换为Graph，此时Graph保存在内存缓冲区中。同时，支持用户指定parser_params：

      
           std::string onnxPath = "../data/onnx_test.onnx";
std::map<ge::AscendString, ge::AscendString> parser_params= {
            {ge::AscendString(ge::ir_option::LOG_LEVEL), ge::AscendString("debug")},
            {ge::AscendString(ge::ir_option::INPUT_FORMAT), ge::AscendString("NCHW")}};
ge::Graph graph1;
auto onnxStatus = ge::aclgrphParseONNX(onnxPath .c_str(), parser_params, graph1);

父主题： 构建Graph