摘要：在做基於Ascend CL模型推理時，通常使用的有OpenCV、AIPP、DVPP這三種方式，或者是它們的混合方式，本文比較了這三種方式的特點，並以Resnet50的pytorch模型為例，結合訓練營提供的sample，說明了分別是如何實現預處理的。
本文分享自華為雲社群《【2023 · CANN訓練營第一季】——模型推理時資料預處理方法及歸一化引數計算》，作者： dayao。
前言：
對待推理圖片執行模型推理前，需要對圖片進行預處理，以滿足模型的輸入要求。我們可以透過閱讀模型訓練程式碼，檢視預處理的方法。在做基於Ascend CL模型推理時，通常使用的有OpenCV、AIPP、DVPP這三種方式，或者是它們的混合方式，本文比較了這三種方式的特點，並以Resnet50的pytorch模型為例，結合訓練營提供的sample，說明了分別是如何實現預處理的。本文還介紹了AIPP做減均值/乘係數的引數是如何計算的。
一、查詢模型訓練時的預處理方式
這一步對我這樣的新手有些難度，在訓練營可以直接問授課老師，或者是無所不曉的老班（帥高），亦或是無所不能的小助手
以Resnet50的pytorch模型為例，這裡模型需要的資料預處理方法，再講述兩種查詢方法。
Resnet50模型，需要對待推理圖片的資料預處理是：縮放到224*224；以RGB的順序存放；對畫素/255.0，變換到[0.0，1.0]範圍內；再按三個通道，分別做減均值，乘係數的運算，三個通道的均值是[0.485, 0.456, 0.406]，對應係數分別是：[0.229, 0.224, 0.225]。
1、方法一：在昇騰官方的modelzoo去查。https://gitee.com/ascend/modelzoo
然後選擇用於訓練的模型PyTorch目錄
在搜尋框中，輸入Resnet50，找到對應的模型檔案
然後在modelarts / train_start.py裡查到的處理程式碼如下：
2、方法二：到pytorch官網去查
二、資料預處理的方式
確定好了輸入圖片需要做哪些預處理，接下來就需要選擇合適的實現方式。Ascend CL常用的有三種：Opencv、AIPP、DVPP。這三種方式的特點如下表所示：
本次訓練營，勤勞的小虎老師貼心的給大家準備了三種方式，供大家學習和掌握。程式碼在：https://gitee.com/ascend/samples/tree/master/inference/modelInference。分別是：純open CV；CV+AIPP；DVPP+AIPP。如下表所示：
1、CV方式：sampleResnetQuickStart
2、cv+AIPP方式：sampleResnetAIPP.cpp
3、DVPP+AIPP方式：sampleResnetDVPP
三、減均值/乘係數 用AIPP實現的計算
Pytorch官方的計算方法：
1、將影像資料調整到[0.0, 1.0]之間，相當於（/255.0）——torchvision.transforms.ToTensor
2、將資料x = (x - mean(x))/std(x)——torchvision.transforms.Normalize
用數學公式表達：
pixel_out_chx(i)=[pixel_in_chx(i)/255 - mean_i]/std_i
=[pixel_in_ch(i) - mean_i*255]/(255*std_i) （公式一）
注：pixel_out_chx（i）：計算輸出值；
pixel_in_chx(i)：原始畫素值，取值範圍[0, 255]；
mean_i：均值，3個顏色通道分別取：[0.485, 0.456, 0.406]
std_i：係數，3個顏色通道分別取：[0.229, 0.224, 0.225]
AIPP減均值乘係數的計算公式：
pixel_out_chx(i)=[pixel_in_chx(i)-mean_chn_i-min_chn_i]*var_reci_chn （公式二）
注：pixel_out_chx（i）：計算輸出值；
pixel_in_chx(i)：原始畫素值，取值範圍[0, 255]；
mean_chn_i表示每個通道的均值；
min_chn_i表示每個通道的最小值；
var_reci_chn表示每個通道方差的倒數
mean_chn_i和min_chn_i可以任意使用1個，另一個為0。令mean_chn_i=0，
公式一和公式二的畫素經過計算後的值相等，所以公式的右邊也相等，計算可得出：
min_chn_i = mean_i*255
var_reci_chn = 1/(255*std_i)
三個通道的計算如下：
