跳到主要内容

TPU-MLIR 安装

TPU-MLIR 是算能 AI 芯片的 TPU 编译器工具链，其可以将不同框架下预训练的神经网络模型, 转化为可以在算能 SG2300 和 SG2300X 系列 TPU 上高效运算的 bmodel 格式模型。 目前直接支持的框架有 PyTorch, ONNX, Caffe 和 TFLite。其他框架的模型需要转换成 ONNX 模型，如何将其他深度学习架构的网络模型转换成ONNX, 可以参考ONNX官网: https://github.com/onnx/tutorials。

模型转换需要在指定的 docker 在 X86 工作站上执行, 主要分两步, 第一是通过 model_transform.py 将原始模型转换成 mlir 文件, 第二是通过 model_deploy.py 将 mlir 文件转换成 bmodel。 如果要转 INT8 模型, 则需要准备校准数据集然后调用 run_calibration.py 生成校准表, 最后使用 model_deploy.py 生成 INT8 量化 bmodel。 如果 INT8 模型不满足精度需要, 可以在完成 INT8 量化 bmodel 操作后调用 run_qtable.py 生成混合精度量化表, 用来决定哪些层采用浮点计算， 最后传给 model_deploy.py 生成混精度 bmodel 模型。

TPU-MLIR 的整体架构​

framework.webp

环境配置​

  • 在 X86 工作站上对需要编译的工程同级目录中克隆 TPU-MLIR 远程仓库

    git clone https://github.com/sophgo/tpu-mlir

  • 拉取最新的 TPU-MLIR docker 镜像， docker 镜像版本与 TPU-MLIR 要保持同期最新，建议首次拉取后更改 tag 防止后续使用拉取 TPU-MLIR 时版本不一致，并且备份一份纯净的 TPU-MLIR

    docker pull sophgo/tpuc_dev:latest

  • 启动 TPU-MLIR docker 镜像系统

    docker run --privileged --name myname -v $PWD:/workspace -it sophgo/tpuc_dev:latest

  • 进入 docker 后初始化 TPU-MLIR 工程环境

    cd /workspace/tpu-mlir
    source ./envsetup.sh
    ./build.sh