Movidius的深度学习入门

1.Ubuntu虚拟机上安装NC SDK

　　　cd /home/shine/Downloads/
　　　mkdir NC_SDK
　　　git clone https://github.com/movidius/ncsdk.git
　　　make install

　　通过运行测试例程判断是否正确安装

　　　make examples

2.激活USB设备

　　在启动ubuntu前，请不要插入movidius，等ubuntu启动以后，再插入（知乎用户经验，笔者测试不影响）

3.测试工程

　　　cd /home/shine/Downloads/NC_SDK/ncsdk/examples/apps/hello_ncs_cpp/
　　　make run
　　　cd /home/shine/Downloads/NC_SDK/ncsdk/examples/apps/hello_ncs_py/
　　　make run

　　正常结果显示

　　　Hello NCS! Device opened normally.
　　　Goodbye NCS!  Device Closed normally.
　　　NCS device working.

4.训练工程

　　ncappzoo中提供了大量的工程样例提供分析，为开发者的模型选择提供了极大的便利，在选择模型的时候需要综合权衡训练样本的类型、大小以及部署后的运行速度。

　　　cd /home/shine/Downloads/NC_SDK/ncsdk/
　　　git clone https://github.com/ashwinvijayakumar/ncappzoo
　　　git checkout dogsvscats 

　　以猫和狗的分类任务为例

• 数据集的准备（在百度网盘中共享测试数据集和训练数据集）

　　　　https://pan.baidu.com/s/1mtXYfB61Czkadjrgs4RXzw

　　　　https://pan.baidu.com/s/1ZD4Hocgk4bMcl8tQGkTHcQ

　　　cd ncappzoo/apps/dogsvscats
　　　mkdir data
　　　mv /home/shine/Downloads/test1.zip ~/Downloads/ncappzoo/apps/dogsvscats/data/
　　　mv /home/shine/Downloads/train.zip ~/Downloads/ncappzoo/apps/dogsvscats/data/
　　　cd ncappzoo/apps/dogsvscats
　　　make 

　　上述操作主要执行

　　　Image pre-processing - resizing , cropping , histogram equalization (图像预处理)
　　　Shuffling the images  (图像打乱)
　　　Splitting the images into training and validation (图像分割为训练集和测试集)
　　　Creating an lmdb database of these images (格式转换)
　　　Computing image mean -a common deep learning technique used to normalize data (计算图像均值)  

• 模型对比

　　①比较模型的差异

　　　export CAFFE_PATH=~/Downloads/caffe-master
　　　diff -u $CAFFE_PATH/models/bvlc_googlenet bvlc_googlenet/org  

• 数据训练

　　①下载caffe预训练模型，使用本地CPU或GPU进行训练，CAFFE_PATH需要替换为本地安装目录

　　　$CAFFE_PATH/scripts/download_model_binary.py $CAFFE_PATH/models/bvlc_googlenet
　　　$CAFFE_PATH/build/tools/caffe train --solver bvlc_googlenet/org/solver.prototxt --weights $CAFFE_PATH/models/bvlc_googlenet/bvlc_googlenet.caffemodel 2>&1 | tee bvlc_googlenet/org/train.log  

 　　 #错误1：Cannot use GPU in CPU-only Caffe: check mode
　　　　cd ~/Downloads/ncappzoo/apps/dogsvscats/bvlc_googlenet/org
　　　　vim solver.prototxt
　　　　将其中的 solver_mode: GPU改为 solver_mode: CPU 或者将caffe重新编译成GPU模式

 　　 #错误2：Check failed: error == cudaSuccess (2 vs. 0) out of memory
 　　 　由于博主使用的是GTX 650Ti 显存只有979Mb，执行GPU运算的时候出现显存不足的现象 

　　 ②使用Intel AI Cloud 加速训练

　　　 如上文所述，在本地训练数据是一个巨大的运算量，常常需要几周或几个月，因此使用Intel提供的云服务器可以极大缩短训练的时间

　　　 在terminal中使用如下语句登陆到AI Cloud 服务器

　　　 ssh colfax
　　　 mkdir dogsvscats 　　

　　　登陆成功后即显示

　　　　########################################################################
　　　　# Welcome to Intel AI DevCloud!
　　　　######################################################################## 

　　　将训练dogsvscats工程所需的数据集及shell命令上传到服务器（请根据实际目录进行调整,若上传速度较慢请尝试云服务器wget直接下载开放数据集）

　　　scp /home/shine/Downloads/ncappzoo/apps/dogsvscats/data/train.zip colfax:/home/u14673/ncappzoo/apps/dogsvscats/data/
　　　scp /home/shine/Downloads/ncappzoo/apps/dogsvscats/data/test1.zip .zip colfax:/home/u14673/ncappzoo/apps/dogsvscats/data/ 

　　　将对应的shell文件和Makefile上传到服务器用于训练数据预处理（请根据实际目录进行调整）

　　　scp /home/shine/Downloads/ncappzoo/apps/dogsvscats/Makefile colfax:/home/u14673/ncappzoo/apps/dogsvscats/
　　　scp /home/shine/Downloads/ncappzoo/apps/dogsvscats/create-labels.py colfax:/home/u14673/ncappzoo/apps/dogsvscats/
　　　scp /home/shine/Downloads/ncappzoo/apps/dogsvscats/create-lmdb.sh colfax:/home/u14673/ncappzoo/apps/dogsvscats/ 

　　　使用Makefile进行预处理，由于Makefile中deps含有sudo apt-get -y install unzip和sudo pip install pyyaml，且sudo apt-get在AI Cloud中无法运行

　　　vi Makefile 

　　　将deps更改为

     @echo "Installing dependencies..."
　　　#      sudo apt-get -y install unzip
　　　#      sudo pip install pyyaml 

　　　:wq!保存后退出，创建任务用于数据预处理

　　　vi data_process.sh 

　　　在打开的界面中输入（请根据实际目录进行调整）

　　　　echo "Start Data Process"
　　　　cd /home/u14673/ncappzoo/apps/dogsvscats/
　　　　make all
　　　　echo "Data Process Finished"　 

　　　:wq!保存后退出，提交任务开始数据预处理

　　　　qsub data_process.sh 

　　  使用qstat可以查看任务完成的情况，完成后会在当前目录中生成对应的日志文件　

　　　将训练所需的prototxt及预训练模型上传至AI Cloud

　　　scp -r /home/shine/Downloads/ncappzoo/apps/dogsvscats/bvlc_googlenet colfax:/home/u14673/ncappzoo/apps/dogsvscats/
　　  scp /home/shine/Downloads/caffe/models/bvlc_googlenet/bvlc_googlenet.caffemodel colfax:/home/u14673/ncappzoo/apps/dogsvscats/ 

　　  创建任务用于数据训练

　　　vi data_train.sh  

　　   在打开的界面中输入如下语句（请根据实际目录进行调整）　　　　　　

　　　cd /home/u14673/ncappzoo/apps/dogsvscats/
　　　echo 'Start Trainning'
　　　# >&表示所有的标准输出和标准错误输出都将被重定向
　　　/glob/intel-python/python3/bin/caffe train --solver bvlc_googlenet/org/solver.prototxt --weights /home/u14673/ncappzoo/apps/dogsvscats/bvlc_googlenet.caffemodel 2>&1 | tee bvlc_googlenet/org/train.log　　　　

　　　关于caffe train命令的定义，标准的范例如下

     caffe train \
   --solver=solver_1st.prototxt \
   --weights=VGG/VGG_ILSVRC_16_layers.caffemodel \
   --gpu=0,1,2,3  2>&1 | tee log_1st.txt

　　　其中--solver为必要的参数，配置solver文件
　　　如果从头开始训练模型，则无需配置--weights
　　　如果从快照中恢复，则需要配置--snapshot
　　　如果是fine-tuning，则需要配置--weights

　　　:wq!保存后退出，提交任务开始训练，训练完成后在当前目录可以看到日志文件

　　　qsub data_train.sh　　　

　　　查看日志，日志保存在 bvlc_googlenet/org 目录，使用如下命令将数据拷贝到本地

 　 scp colfax:/home/u14673/ncappzoo/apps/dogsvscats/bvlc_googlenet/org/train.log ./　　 

　　　使用caffe自带的工具绘制（位于caffe/tools/extra目录）训练数据，caffe中支持很多种曲线绘制，通过指定不同的类型参数即可，具体参数如下

　　Notes:
    　　1. Supporting multiple logs.
    　　2. Log file name must end with the lower-cased ".log".
　　Supported chart types:
    　　0: Test accuracy  vs. Iters
    　　1: Test accuracy  vs. Seconds
    　　2: Test loss  vs. Iters
    　　3: Test loss  vs. Seconds
    　　4: Train learning rate  vs. Iters
    　　5: Train learning rate  vs. Seconds
    　　6: Train loss  vs. Iters
    　　7: Train loss  vs. Seconds  

　　　解析日志并生成Test accuracy  vs. Seconds曲线(实际应该为Test Loss，参考https://www.cnblogs.com/WaitingForU/p/9130327.html的解析)

    cd ~/Downloads/ncappzoo/apps/dogsvscats/bvlc_googlenet/org　　　　
    cp -r /home/shine/Downloads/caffe/tools/extra ~/Downloads/ncappzoo/apps/dogsvscats/bvlc_googlenet/org
　　 mv train.log ./extra/
　　 ./plot_training_log.py.example 0 save.png ./train.log

　　　　

　　　　　　　　　　　　　　　　　　　Test Loss Vs Seconds　

　　　

　　　　　　　　　　　　　　　　　　　　Train Loss Vs Seconds

　　　从上述两张图来看，似乎训练过程并未收敛，对于这一问题，原作者并未给出原因，而是建议去掉--weights重新进行训练　　　

　　/glob/intel-python/python3/bin/caffe train --solver bvlc_googlenet/org/solver.prototxt 2>&1 | tee bvlc_googlenet/org/train_withoutweights.log

　　　

　　　　　　　　　　　　　　　　　　　　  Test Loss Vs Iters

　　　

　　　　　　　　　　　　　　　　　　　　Test Accuracy Vs Iters

　　　将训练后的模型拷贝到本地

　　scp colfax:/home/u14673/ncappzoo/apps/dogsvscats/bvlc_googlenet/org/bvlc_googlenet_iter_40000.caffemodel /home/shine/Downloads/ncappzoo/apps/dogsvscats/bvlc_googlenet/org/
　　cd ~/Downloads/ncappzoo/apps/dogsvscats/bvlc_googlenet/org/

　　　本地机器（需要安装NCSDK）查看网络分析，大致可以得到如下的图形，显示了各层连接的带宽和运行时间

　　mvNCProfile -s 12 deploy.prototxt -w bvlc_googlenet_iter_40000.caffemodel
　　firefox output_report.html

　　　

• 模型调优

　　　作者对比了dogsvscats例程中改进的网络和GoogLenet原始网络，通过Caffe自带的Python工具分别绘制对应网络拓扑

　　cd ~/Downloads/ncappzoo/apps/dogsvscats/bvlc_googlenet/org
　　python ~/Downloads/caffe/python/draw_net.py train_val.prototxt train_val_plot.png
　　eog train_val_plot.png
　　cd ~/Downloads/ncappzoo/apps/dogsvscats/bvlc_googlenet/custom
　　python ~/Downloads/caffe/python/draw_net.py train_val.prototxt train_val_plot.png
　　eog train_val_plot.png

　　　使用python-caffe自带的工具draw_net.py时可能会遇到如下错误

　　#错误1 ImportError: No module named google.protobuf (没有安装python-protobuf) 
　　　　　　sudo apt-get install python-protobuf

　　#错误２ ImportError: No module named _caffe (caffe源码编译的时候没有编译pycaffe)
　　　　　　cd ~/Downloads/caffe/
　　　　　　sudo make pycaffe

　　#错误3 ImportError: No module named skimage.io (没有安装python-skimage)　
　　　　　　sudo apt-get install python-skimage

　　#错误4 ImportError: No module named pydot (没有安装python-pydot)
　　　　　　sudo apt install python-pydot python-pydot-ng graphviz

• 模型部署

根据最新训练的结果，生成graph文件

　　cd ~/workspace/ncappzoo/apps/dogsvscats/bvlc_googlenet/org (由于前面训练过程未能收敛，使用该模型预测时会出现Ｎａｎ的结果)
　　mvNCCompile -s 12 deploy.prototxt -w bvlc_googlenet_iter_40000.caffemodel -o dogsvscats-org.graph

　　cd ~/workspace/ncappzoo/apps/dogsvscats/bvlc_googlenet/custom （定制优化后的网络）
　　mvNCCompile -s 12 deploy.prototxt -w bvlc_googlenet_iter_40000.caffemodel -o dogsvscats-org.graph

• 模型测试

　　修改ncappzoo/apps/image-classifier.py，原文件如下

　　# User modifiable input parameters
　　NCAPPZOO_PATH           = '../..'
　　GRAPH_PATH              = NCAPPZOO_PATH + '/caffe/GoogLeNet/graph'
　　IMAGE_PATH              = NCAPPZOO_PATH + '/data/images/cat.jpg'
　　CATEGORIES_PATH         = NCAPPZOO_PATH + '/data/ilsvrc12/synset_words.txt'
　　IMAGE_MEAN              = numpy.float16( [104.00698793, 116.66876762, 122.67891434] )
　　IMAGE_STDDEV            = ( 1 )
　　IMAGE_DIM               = ( 224, 224 )

　　修改后的文件如下

　　NCAPPZOO_PATH           = '../..'
　　GRAPH_PATH              = NCAPPZOO_PATH +'/apps/dogsvscats/bvlc_googlenet/custom/dogsvscats-org.graph'
　　IMAGE_PATH              = NCAPPZOO_PATH +'/apps/dogsvscats/data/test1/173.jpg'
　　CATEGORIES_PATH         = NCAPPZOO_PATH +'/apps/dogsvscats/data/categories.txt'
　　IMAGE_MEAN              = numpy.float16( [106.202, 115.912, 124.449] )
　　IMAGE_STDDEV            = ( 1 )
　　IMAGE_DIM               = ( 224, 224 )

　　使用生成的graph测试准确率(注意是python3，使用python image-classifier.py时会报错，具体原因待查明)

　　cd ~/Downloads/ncappzoo/apps/image-classifier
　　python3 image-classifier.py

　　得到结果如下

　　------- predictions --------
　　Prediction for : dog with 100.0% confidence in 89.67 ms
　　Ｐrediction for : cat with 0.0% confidence in 89.67 ms

　　那么关于本步骤部署，系统具体作了哪些事情呢，深入查看image-classifier.py我们可以得知

　　# ---- Step 1: Open the enumerated device and get a handle to it -------------
　　#  枚举Movidius神经元计算棒
　　# ---- Step 2: Load a graph file onto the NCS device -------------------------
　　#  加载graph文件
　　# ---- Step 3: Offload image onto the NCS to run inference -------------------
　　#  加载image文件
　　# ---- Step 4: Read & print inference results from the NCS -------------------
　　#  读取并打印运算结果
　　# ---- Step 5: Unload the graph and close the device -------------------------
　　#  关闭神经元计算棒

• 模型调优　　

• 参考文献：

　　　1.https://movidius.github.io/blog/deploying-custom-caffe-models

　　　2.https://communities.intel.com/community/tech/intel-ai-academy

　　　3.https://www.kaggle.com/khorchanov/dogsvscats