CANN训练营第二季官网链接，可以报名和申请资源，申请完资源，开通弹性云服务器，使用华为给准备好的环境，就可以上手实验和完成考核了

作业一：Caffe ResNet-50网络实现图片分类

题目：下载基于Caffe ResNet-50网络实现图片分类（仅推理）样例应用的源码，并参考Readme成功编译、运行应用，体验基础推理过程。
评分细则：

1. 下载样例源码并成功编译、运行，结果正确，上传运行结果截图至附件。【20分】
2. 数据替换成自己的图片并重新编译运行成功，上传运行结果截图以及修改后的源码至附件。【20 分】

评分一步骤

1. 使用SSH客户端连接弹性云服务器
2. 克隆samples代码库

git clone https://gitee.com/ascend/samples.git
1

3. 切换用户及目录

su - HwHiAiUser
source ~/Ascend/ascend-toolkit/set_env.sh
cd samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification
1
2
3

4. 准备ResNet-50模型
   可以从以下链接中获取ResNet-50网络的模型文件（resnet50.prototxt）、预训练模型文件（resnet50.caffemodel），并以HwHiAiUser用户将获取的文件上传至开发环境的“resnet50_imagenet_classification/caffe_model“目录下。如果目录不存在，需要自行创建。所有操作均使用HwHiAiUser进行，否则会出现权限问题
5. 转换模型
   下面展示一些 内联代码片。
   在resnet50_imagenet_classification目录下

atc --model=caffe_model/resnet50.prototxt --weight=caffe_model/resnet50.caffemodel --framework=0 --output=model/resnet50 --soc_version=Ascend310 --input_format=NCHW --input_fp16_nodes=data --output_type=FP32 --out_nodes=prob:0
1

6. 准备数据
   将图片dog1_1024_683.jpg、dog2_1024_683.jpg上传至“resnet50_imagenet_classification/data“目录下
   执行命令将*.jpg*转换为*.bin*

python3 ../script/transferPic.py
1

7. 编译代码
   在resnet50_imagenet_classification目录下

# 设置环境变量
export DDK_PATH=$HOME/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB=$DDK_PATH/acllib/lib64/stub
# 创建目录用于存放编译文件
mkdir -p build/intermediates/host
cd build/intermediates/host
cmake ../../../src -DCMAKE_CXX_COMPILER=g++ -DCMAKE_SKIP_RPATH=TRUE
1
2
3
4
5
6
7

make
1

cd ../../../out/
./main
1
2

评分二步骤

1. 准备两张图片，并上传至“resnet50_imagenet_classification/data“目录下，必须是*,jpg*格式图片，可以是类似图片，这里取名为mao_1.jpg

3. 执行命令将*.jpg*转换为*.bin*

python3 ../script/transferPic.py
1

4. 修改代码，主要是讲原来要识别的狗的图片，变为我们自己上传的图片
   vim src/sample_process.cpp

string testFile[] = {
        "../data/mao_1.bin",
        "../data/mao_2.bin"
    };
1
2
3
4

5. 重新执行上面的第7步即可

作业二待补充ing

1. 使用Tensorflow1.15实现LeNet网络的minist手写数字识别。硬件平台不限，可以基于window或者linux系统，尽量给出整个过程的截图，并在最后给出Loss或者accuracy运行结果。 参考链接Gitee或Github。【15分】
   提交样式：步骤xx截图xx

2. 采用课程中学习到的手工或自动迁移方式，将上述脚本迁移到昇腾AI处理器上，不要求执行训练，仅需提交迁移后的脚本。【15分】

3. 将上述迁移好的LeNet网络使用minist数据集在ModelArts平台上正常跑通。
   评分明细：
   a. Pycharm控制台界面有正常训练日志打印，给出截图。【5分】
   b. 将最终训练的模型权重文件（训练步数不限）保存在OBS上，给出截图。【2分】
   c. 给出当前训练的CANN运行日志截图，给出截图。【3分】

作业三

基于Caffe ResNet-50网络实现图片分类（仅推理）样例，更换为ResNet-101分类模型。更换同类模型时，由于模型的输入、输出相似，所以源码基本可以复用，只需更换模型即可。
评分细则：

1. 模型转换成功，上传模型转换成功提示的截图至附件。【5 分】
2. 修改代码并运行成功，上传运行结果截图以及修改后的源码至附件。【5 分】

评分一

1. 下载模型
   模型地址为：modelzoo resnet101，将获取的文件上传至开发环境的“resnet50_imagenet_classification/caffe_model“目录下。
2. 转换命令为

atc --model=caffe_model/resnet101_tf.pb --framework=3 --output=model/resnet101_tf --output_type=FP32 --soc_version=Ascend310 --input_shape="input:1,224,224,3" --log=info
1

3. 修改代码
   a. 主要是将原来的resnet50改为resnet101，vim src/sample_process.cpp，

const char* omModelPath = "../model/resnet50.om";
替换为
const char* omModelPath = "../model/resnet101_tf.om";
1
2
3

b. 修改编码，vim script/transferPic.py

img = img.astype("float16")
替换为
img = img.astype("float32")
1
2
3

然后执行作业一第一步的6,7两步