大家好，我是极智视界，本文介绍一下 昇腾 CANN ATC 模型转换。
昇腾 CANN 的全称是 Compute Architecture for Neural Networks，是昇腾针对 AI 场景推出的异构计算架构，通过提供多层次的编程接口，支持用户快速构建基于昇腾平台的AI应用和业务。用过昇腾的同学应该都清楚，需要把咱们的原始模型 (可能是 pytorch 的，可能是 tf 的，可能是 caffe 的，也可能是 darknet 的) 转换成 .om 模型，然后才能调用 AclLiteModel::ExecuteEx() 进行模型的推理。这个 模型转换的过程 就要用到 CANN 的 ATC 工具。目前 ATC 工具直接支持从 caffe、onnx、tf pb 以及 mindspore 模型的转换，所以如果你的训练框架是 pytorch，则需要做 torch.onnx.export 的操作；如果你的训练框架是 darknet，则需要做 darknet -> caffe 或 darknet -> onnx 的转换，之后才能用到 ATC。以上说的是整网模型，当然 ATC 还支持用 Ascend IR 定义的单算子的 om 转换。因此就形成了如下的 ATC 功能架构图：
在使用 ATC 流程时，需要先安装好 CANN 开发环境，然后准备好需要转换的模型文件(caffemodel、onnxmodel、pbmodel、mindsporemodel、json单算子模型)，然后可以开始使用 ATC(可选 AIPP 配置)。整体ATC 工具的执行流程如下：
来解释一下 AIPP 配置：AIPP 是 ATC 的高级功能，AIPP 全称 Artificial Intelligence Pre-Processing 智能图像预处理，用于在昇腾 AI Core 上完成图像预处理，包括改变图像尺寸(crop + padding，reisze(暂时还不支持))、色域转换 (转换图像格式：BGR->RGB、YUV->BGR 等)、归一化 (减均值除方差)，在 AIPP 图像数据预处理之后再把数据喂给模型推理。可以说，有了 AIPP，你一般不用在模型外面再自己写预处理了。自己在模型外面写预处理有几个弊端：(1) 开发 AI Core 是有门槛的 (TBE 或 TIK开发方式)；(2) 如果你用 AI CPU (注意：所谓的 AI CPU 也是昇腾卡上的计算资源，不是直观理解的 CPU) 去写预处理算子，一方面也是有门槛的 (可能比 AI Core 开发门槛低一点)，另一方面性能也不会好到哪里去；(3) 如果你干脆就直接跑在 CPU 上，那么可能会涉及 deviceTohost / hostTodevice 的数据拷贝，而且本身 CPU 就比较慢。
下面我整理了一下 ATC 的传参，主要包括 总体选项、输入选项、输出选项、目标芯片选项、功能配置选项、模型调优选项、算子调优选项、调试选项，如下：
好了，以上分享了 昇腾 CANN ATC 模型转换，希望我的分享能对你的学习有一点帮助。
