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參數計算-雲社群-華為雲》，作者： dayao。
前言：
對待推理圖檔執行模型推理前，需要對圖檔進行預處理，以滿足模型的輸入要求。我們可以通過閱讀模型訓練代碼，檢視預處理的方法。在做基于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，并以Resnet50的pytorch模型為例，結合訓練營提供的sample，說明了分别是如何實作預處理的。本文還介紹了AIPP做減均值/乘系數的參數是如何計算的。
一、查找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，再講述兩種查找方法。
Resnet50模型，需要對待推理圖檔的資料預處理是：縮放到224*224；以RGB的順序存放；對像素/255.0，變換到[0.0，1.0]範圍内；再按三個通道，分别做減均值，乘系數的運算，三個通道的均值是[0.485, 0.456, 0.406]，對應系數分别是：[0.229, 0.224, 0.225]。
1、方法一：在昇騰官方的modelzoo去查。https://gitee.com/ascend/modelzoo
然後選擇用于訓練的模型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裡查到的處理代碼如下：
2、方法二：到pytorch官網去查
https://pytorch.org/vision/stable/models/generated/torchvision.models.resnet50.html#torchvision.models.resnet50
二、資料預處理的方式
确定好了輸入圖檔需要做哪些預處理，接下來就需要選擇合适的實作方式。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。代碼在：https://gitee.com/ascend/samples/tree/master/inference/modelInference。分别是：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/乘系數 用AIPP實作的計算
Pytorch官方的計算方法：
1、将圖像資料調整到[0.0, 1.0]之間，相當于（/255.0）——torchvision.transforms.ToTensor
2、将資料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)：原始像素值，取值範圍[0, 255]；
mean_i：均值，3個顔色通道分别取：[0.485, 0.456, 0.406]
std_i：系數，3個顔色通道分别取：[0.229, 0.224, 0.225]
AIPP減均值乘系數的計算公式：
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)：原始像素值，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，
公式一和公式二的像素經過計算後的值相等，是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：
關注#華為雲開發者聯盟# 點選下方，第一時間了解華為雲新鮮技術~
華為雲部落格_大資料部落格_AI部落格_雲計算部落格_開發者中心-華為雲