This thread has been locked.

If you have a related question, please click the "Ask a related question" button in the top right corner. The newly created question will be automatically linked to this question.

[参考译文] TDA2EXEVM:TIDL - tidlstasTool 结果匹配

Guru**** 2606725 points


请注意,本文内容源自机器翻译,可能存在语法或其它翻译错误,仅供参考。如需获取准确内容,请参阅链接中的英语原文或自行翻译。

https://e2e.ti.com/support/processors-group/processors/f/processors-forum/652942/tda2exevm-tidl---tidlstastool-result-matching

器件型号:TDA2EXEVM

您好!

我正在使用 TIDL,并尝试在 Caffe-Jacinto-models 中使用 imagenet 分类模型。

我使用 TIDL 模型导入工具并获取结果。

输入 rawsample 数据是文件夹:\..\test\testvecs\input\preproc_0_224x224.y 中的数据  ,它是一种飞行器

但 TIDLstatsTool 的输出与我在 Caffe-Jacinto 上运行相同模型的输出不同(Caffe Jacinto 的输出为# 403类)

但 statsTool 的输出为#704类(我打开 stats_tool_out.bin 以获得该结果)

这是我的 TIDL 模型导入工具 CONFIG_FILES。

----------------------------------------------------

#默认值- 0
randParams = 0

# 0:Caffe、1:TensorFlow、默认值- 0
modelType = 0

# 0:按 tarininng Framework 进行固定量化、1:按 TIDL 进行动态量化、默认值- 1.
量化样式= 1.

将在舍入为整数时添加# quantRoundadd/100,默认值为-50
quantRoundAdd = 50

numParamBits = 8

#inNumChannels = 3.

Cnov2dKernelType = 0

InputNetFile      ="..\..\testvecs\config\Caffe_Jacinto_models\trained\image_classification \imagenet_jacintonet11v2\稀 疏\deploy.prototxt"
inputParamsFile  ="...\test\testvecs\config\Caffe_Jacinto_models\trained\image_classit\imagenet_jacintonet11v2\稀 疏\imagenet_jacintonet_iter_160000.caffemodel"
outputNetFile     ="NET.bin"
outputParamsFile ="PRM.bin"

rawSampleInData = 1.
#sampleInData ="...\test\testvecs\input\000100_1024x512_BGR.y"
sampleInData ="...\test\testvecs\input\preproc_0_224x224.y"
tidlStatsTool =".\quantStatsTool\eve_test_dl_algo。out.exe"

------------------------------------------------------------------

我还测试了分割模型、但结果似乎也不正确。

我错过了什么吗?  

或者、我应该怎么做才能获得相同的结果?

提前感谢您。

  • 请注意,本文内容源自机器翻译,可能存在语法或其它翻译错误,仅供参考。如需获取准确内容,请参阅链接中的英语原文或自行翻译。
    您好,
    我使用 TIDLSRC.01.00.00.00。
    是否有人知道这个问题或任何建议?
  • 请注意,本文内容源自机器翻译,可能存在语法或其它翻译错误,仅供参考。如需获取准确内容,请参阅链接中的英语原文或自行翻译。
    您好!
    是否有人知道这个问题或任何建议?
  • 请注意,本文内容源自机器翻译,可能存在语法或其它翻译错误,仅供参考。如需获取准确内容,请参阅链接中的英语原文或自行翻译。

    您好!

    我检查了您使用的 TIDL 模型导入工具配置文件、看起来您错过了设置"inElementType   = 0"、 您能否立即通过设置此文件进行检查。

    将"inElementType"设置为0后、新的配置文件为

    --------------------------------------------------

    #默认值- 0
    randParams = 0

    # 0:Caffe、1:TensorFlow、默认值- 0
    modelType = 0

    # 0:按 tarininng Framework 进行固定量化、1:按 TIDL 进行动态量化、默认值- 1.
    量化样式= 1.

    将在舍入为整数时添加# quantRoundadd/100,默认值为-50
    quantRoundAdd = 50

    numParamBits = 8

    #inNumChannels = 3.

    0:8位无符号数,1:8位有符号数缺省值-1
    InElementType = 0

    conv2dKernelType = 0

    inputNetFile ="..\..\testvecs\config\Caffe_Jacinto_models\trained\image_classit\imagenet_jacintonet11v2\spars\deploy.prototxt"
    inputParamsFile ="...\test\testvecs\config\Caffe_Jacinto_models\trained\image_classit\imagenet_jacintonet11v2\稀 疏\imagenet_jacintonet_iter_160000.caffemodel"
    outputNetFile ="NET.bin"
    outputParamsFile ="PRM.bin"

    rawSampleInData = 1.
    #sampleInData ="...\test\testvecs\input\000100_1024x512_BGR.y"
    sampleInData ="...\test\testvecs\input\preproc_0_224x224.y"
    tidlStatsTool =".\quantStatsTool\eve_test_dl_algo。out.exe"

    ----------------------------------------------------------------------

    很抱歉耽误你的时间、我们在这里度过了一个漫长的周末。

    谢谢、

    Praveen

  • 请注意,本文内容源自机器翻译,可能存在语法或其它翻译错误,仅供参考。如需获取准确内容,请参阅链接中的英语原文或自行翻译。

    Praveen、您好!

    感谢您的回答。

    结果现在是合理的。

    请回答几个问题、

    在 TIDL 导入配置参数中:

    1.动态量化的含义是什么?

    PreProType 0至3代表什么?

    3.在 TIDL 导入日志中,我想知道以下内容的确切含义:

       最大传递和值   

       out Q 的秒值

       3.#MMACS 的秒和第三值

       稀疏度的值。   我知道稀疏度的定义、但有两个值让我感到困惑。

    谢谢!

    此致、

    Eric

  • 请注意,本文内容源自机器翻译,可能存在语法或其它翻译错误,仅供参考。如需获取准确内容,请参阅链接中的英语原文或自行翻译。
    请在下面找到答案:

    动态量化的含义是什么?

    Kumar:用于激活的 Q 格式/换算系数在运行时动态选择。

    PreProType 0至3代表什么?
    Kumar:此测试专门用于在提供给 TIDL 库之前读取输入图像和调整大小。 这可以忽略使用的原始图像(RGB)

    3.在 TIDL 导入日志中,我想知道以下内容的确切含义:
    Kumar:所有日志都用于跟踪目的,其中一些日志与最终用户无关。

    最大传递和值
    Kumar:在导入过程中应忽略这一点,这只有在推理过程中才有意义

    out Q 的秒值
    Kumar:只有第一个值与输出数据的 Q 相关。 第二个是调试信息、可以忽略

    3.#MMACS 的秒和第三值
    Kumar:只有第一个值是相关的。 第二个和第三个是考虑稀疏度的调试信息、可以忽略

    稀疏度的值。 我知道稀疏度的定义、但有两个值让我感到困惑。
    Kumar:考虑到实际处理计算,第一个值是稀疏度。 第二个是考虑可用的零权重数的稀疏度。 由于在处理过程中对齐、这些参数不同。

    Rgerads、
    Kumar.D
  • 请注意,本文内容源自机器翻译,可能存在语法或其它翻译错误,仅供参考。如需获取准确内容,请参阅链接中的英语原文或自行翻译。
    谢谢!