ResNet_Acl

本科毕设“基于昇腾 AI 架构的高效化无人机射频信号识别”的推理端代码仓库，对应云端仓库为 wh-wang132/ResNet_Acl，上游训练端仓库为 wh-wang132/ResNet。

当前仓库聚焦两类工作：

• src.accuracy：基于 ACL 的 OM 精度评测
• src.efficiency：基于 ACL 的 OM 效率评测
• src.visualization：离线聚合精度/效率产物并生成论文分析图表

同时提供一个不触发真实 ACL 推理的仓库预检入口：

• src.validate：校验数据集、split manifest、ATC 产物、样本 shape/dtype 契约，并预检 src.efficiency 所需的 complexity 前置条件

仓库结构

ResNet_Acl/
├── Data/                         # 24 类无人机射频 .npy 样本
├── input/
│   ├── atc/
│   │   ├── pruning_fp16/         # 剪枝 + FP16 导出的 OM 产物
│   │   └── amct_deploy/          # AMCT 量化部署产物
│   └── splits/
│       └── dataset_split__train0.60_val0.20_test0.20_seed42.json
├── output/
│   ├── accuracy/                 # 精度评测输出
│   ├── efficiency/               # 效率评测输出
│   └── visualization/            # 论文插图输出
├── autorun/                      # 遍历全部 artifact 的批量脚本
└── src/
    ├── accuracy/
    ├── efficiency/
    ├── validate/
    └── common/

环境

项目使用 pixi 管理运行环境，pixi.toml 当前固定：

• Python 3.12
• Ascend CANN Toolkit 8.5.0
• Ascend 310B ops 8.5.0

仓库运行时环境变量放在 .envrc 中，当前会完成：

• 设置 REPO_ROOT
• source .pixi/envs/default/Ascend/ascend-toolkit/set_env.sh
• 补充 PYTHONPATH=${REPO_ROOT}/src

推荐使用 direnv 自动加载该环境：

sudo apt-get install direnv
echo 'eval "$(direnv hook bash)"' >> ~/.bashrc
source ~/.bashrc
direnv allow

如果不使用 direnv，则在执行任何推理或校验命令前手动加载：

source .envrc

下文所有命令默认都建立在 .envrc 已加载的前提下。

安装后可先做仓库预检，不触发真实 ACL 推理：

pixi run python -m src.validate --sample_limit 8

默认 src.validate 也会预检 src.efficiency 所需的 complexity 条件，因此需要 atc 可用，并会调用 atc --mode=1 做离线 OM 解析。如果只想排查数据、manifest 和 shape/dtype 契约，可显式跳过：

pixi run python -m src.validate --sample_limit 8 --skip_complexity_precheck

如果只想检查某个分支或单个 artifact：

pixi run python -m src.validate --branch pruning_fp16 --sample_limit 8
pixi run python -m src.validate \
  --branch pruning_fp16 \
  --artifact_path input/atc/pruning_fp16/resnet18_2d/from_ratio0.60_steps5_global_ft10_bs64 \
  --sample_limit 8

运行入口

查看命令行参数：

pixi run python -m src.accuracy --help
pixi run python -m src.efficiency --help
pixi run python -m src.validate --help
pixi run python -m src.visualization --help

精度评测示例：

pixi run python -m src.accuracy \
  --branch pruning_fp16 \
  --artifact_path input/atc/pruning_fp16/resnet18_2d/from_ratio0.60_steps5_global_ft10_bs64 \
  --num_instances 1 \
  --buffer_depth 1

效率评测示例：

pixi run python -m src.efficiency \
  --branch amct_deploy \
  --artifact_path input/atc/amct_deploy/resnet18_2d/from_ratio0.80_steps16_global_ft10_bs64 \
  --num_instances 1 \
  --buffer_depth 1 \
  --warmup_steps 20 \
  --repeat 5

批量遍历全部 artifact：

sh autorun/autorun_accuracy.sh --limit 128
sh autorun/autorun_efficiency.sh --limit 128 --repeat 3
sh autorun/autorun_visualization.sh

离线生成论文插图：

pixi run python -m src.visualization --strict

当前硬约束

• 当前 ATC 产物按 batch_size=1 编译，推理端只接受 --batch_size 1
• 数据样本默认来自 Data/**/*.npy
• 默认 split manifest 为 input/splits/dataset_split__train0.60_val0.20_test0.20_seed42.json
• 当前内置推理分支只有 pruning_fp16 和 amct_deploy
• atc_summary.json 中 stage、branch、source_interface、resolved_input_shape 是推理端强依赖字段
• 目前 ACL dtype 映射仅支持 float16 和 float32

产物输出

src.accuracy 默认写到 output/accuracy/<branch>/...，核心输出包括：

• summary.json
• confusion_matrix.csv
• confusion_matrix.png
• per_class_metrics.csv

src.efficiency 默认写到 output/efficiency/<branch>/...，核心输出包括：

• summary__instances{N}_buffer{M}.json

其中 summary__instances{N}_buffer{M}.json 现在额外包含：

• parameter_count：直接透传 atc_summary.json 中的参数量
• operation_count：按单次前向的理论 MACs 统计
• operation_count_included_op_types：当前被计入 MACs 的 OM op type
• operation_count_excluded_op_types：当前显式忽略的 OM op type

当前 operation_count 只统计卷积和矩阵乘家族算子，不把 Add、Cast、TransData、量化/反量化等部署辅助算子混入理论 MACs。

src.visualization 默认写到 output/visualization/paper/，核心输出面向论文插图，包括：

• index.json
• paper_summary.md
• tables/paper_top5_candidates.csv
• tables/paper_branch_pair_summary.csv
• tables/paper_pareto_candidates.csv
• plots/fig1_pareto_error_throughput.svg
• plots/fig2_pareto_error_latency.svg
• plots/fig3_fp16_int8_pair_summary.svg
• plots/fig4_complexity_tradeoff.svg
• 可选 plots/fig5_per_class_recall_delta.svg

该模块只消费已有 output/accuracy 与 output/efficiency，不导入 ACL、不调用 ATC、不触发真实推理。论文图默认使用 SVG，可通过 --format png --dpi 300 生成位图版本。由于大多数模型精度高于 0.99，涉及精度对比的主图使用 error_rate = 1 - accuracy 并采用对数坐标轴；涉及计算量、参数量和 latency 的主图也采用对数坐标轴。当前图表会客观呈现本次测量中 FP16 pruning 与 INT8 AMCT 的精度、吞吐和延迟差异。

上下游契约

训练端 wh-wang132/ResNet 需要稳定提供：

• 类别顺序和 class_to_idx
• .npy 样本布局
• 导出 ONNX/ATC 所需的输入输出 shape 与 dtype
• model_name / experiment_name 维度下的实验命名

推理端 wh-wang132/ResNet_Acl 消费这些产物并执行 ACL 推理与评测。

详细目录约定和字段契约见 docs/interface_contract.md。