diff --git a/ACL_PyTorch/contrib/cv/detection/EfficientDetD0/README.md b/ACL_PyTorch/contrib/cv/detection/EfficientDetD0/README.md
index 50cbf513a8ccc5db09377ddfc7efe304f58d6b34..502284a332cfbe8f233a66746eb2e67d914a5026 100755
--- a/ACL_PyTorch/contrib/cv/detection/EfficientDetD0/README.md
+++ b/ACL_PyTorch/contrib/cv/detection/EfficientDetD0/README.md
@@ -236,7 +236,7 @@ EfficientDet是在EfficientNet基础上提出来的目标检测模型，它将Ef
调用脚本postprocess.py预测精度
```
- python postprocess.py --root=./coco_data --omfile=./result
+ python EfficientDetD0_postprocess.py --root=./coco_data --omfile=./result
```
- 参数说明：
- root：数据集路径
diff --git a/ACL_PyTorch/contrib/nlp/BertSum/README.md b/ACL_PyTorch/contrib/nlp/BertSum/README.md
index cc265685221509aa1232b8055418391f14b496a3..4dade8d9be4545a15da8858fed3eeed91004e499 100644
--- a/ACL_PyTorch/contrib/nlp/BertSum/README.md
+++ b/ACL_PyTorch/contrib/nlp/BertSum/README.md
@@ -4,8 +4,6 @@
- [输入输出数据](#section540883920406)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -45,20 +43,6 @@ BertSum模型主要由句子编码层和摘要判断层组成，其中，`句子
| output | batch_size x class | FLOAT32 | ND |
| mask_cls | batch_size x class | FLOAT32 | ND |
-# 推理环境准备\[所有版本\]
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
-| 配套 | 版本 | 环境准备指导 |
-| ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-| 固件与驱动 | 1.0.17 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN | 6.0.RC1 | - |
-| Python | 3.7.5 | - |
-| PyTorch | 1.5.0+ | - |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
# 快速上手
## 获取源码
@@ -137,7 +121,7 @@ BertSum模型主要由句子编码层和摘要判断层组成，其中，`句子
执行“BertSum_preprocess.py”脚本，完成预处理。
```
- python BertSum_pth_preprocess.py -bert_data_path ./bert_data/cnndm -out_path ./prep_data
+ python3 BertSum_pth_preprocess.py -bert_data_path ./bert_data/cnndm -out_path ./prep_data
```
- 参数说明：
@@ -179,7 +163,7 @@ BertSum模型主要由句子编码层和摘要判断层组成，其中，`句子
```
# 以bs1为例
- python -m onnxsim ./bertsum_13000_9.onnx ./bertsum_13000_9_sim_bs1.onnx --input-shape "src:1,512" "segs:1,512" "clss:1,37" "mask:1,512" "mask_cls:1,37"
+ python3 -m onnxsim ./bertsum_13000_9.onnx ./bertsum_13000_9_sim_bs1.onnx --input-shape "src:1,512" "segs:1,512" "clss:1,37" "mask:1,512" "mask_cls:1,37"
```
3. 使用ATC工具将ONNX模型转OM模型。
@@ -261,7 +245,7 @@ BertSum模型主要由句子编码层和摘要判断层组成，其中，`句子
```
mkdir temp # 创建临时存储文件
- python BertSum_pth_postprocess.py -bert_data_path ./bert_data/cnndm -bert_config_path BertSum/bert_config_uncased_base.json -result_dir ./results/bs1
+ python3 BertSum_pth_postprocess.py -bert_data_path ./bert_data/cnndm -bert_config_path BertSum/bert_config_uncased_base.json -result_dir ./results/bs1
```
- 输入参数说明：
- -bert_data_path：原始数据路径。
diff --git a/ACL_PyTorch/contrib/nlp/CNN_Transformer_for_Pytorch/README.md b/ACL_PyTorch/contrib/nlp/CNN_Transformer_for_Pytorch/README.md
index efdbc6a5866db4d317ebe11a8ad9f86070d33ea8..b54f2a34c740f3f937adc8d690579b2ca05fdacb 100644
--- a/ACL_PyTorch/contrib/nlp/CNN_Transformer_for_Pytorch/README.md
+++ b/ACL_PyTorch/contrib/nlp/CNN_Transformer_for_Pytorch/README.md
@@ -5,10 +5,6 @@
- [输入输出数据](#section540883920406)
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -49,24 +45,6 @@ CNN_Transformer是学习用于解决自监督任务的基本语音单元。对
| -------- | -------- | ------------------------- | ------------ |
| output | FLOAT32 | batchsize x data_len x 32 | ND |
-
-
-# 推理环境准备
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
- | 配套 | 版本 | 环境准备指导 |
- | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
- | 固件与驱动 | 1.0.17 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | CANN | 6.0.RC1 | - |
- | Python | 3.7.5 | - |
- | PyTorch | 1.9.1 | - |
- | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
-
-
# 快速上手
## 获取源码
diff --git a/ACL_PyTorch/contrib/nlp/ELMo/README.md b/ACL_PyTorch/contrib/nlp/ELMo/README.md
index 52f14a4cdffdeb5dfdf52259c90f90457e0b7d44..91512abebffec3410af7713ea036cc958d04ae73 100644
--- a/ACL_PyTorch/contrib/nlp/ELMo/README.md
+++ b/ACL_PyTorch/contrib/nlp/ELMo/README.md
@@ -3,8 +3,6 @@
- [概述](#ZH-CN_TOPIC_0000001172161501)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -46,21 +44,6 @@ ELMo模型是用于训练得到单词词向量的，不同于以往常用的word
| -------- | -------- | -------- | ------------ |
| output | 1 x 8 x 1024 | FLOAT32 | NWD |
-
-# 推理环境准备\[所有版本\]
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
-| 配套 | 版本 | 环境准备指导 |
-| ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-| 固件与驱动 | 1.0.15 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN | 5.1.RC2 | - |
-| Python | 3.7.5 | - |
-| PyTorch | 1.8.1 | - |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
# 快速上手
## 获取源码
@@ -175,7 +158,7 @@ ELMo模型是用于训练得到单词词向量的，不同于以往常用的word
```
python3 -m onnxsim elmo.onnx elmo_sim.onnx
- python -m auto_optimizer optimize elmo_sim.onnx elmo_sim_opt.onnx
+ python3 -m auto_optimizer optimize elmo_sim.onnx elmo_sim_opt.onnx
```
获得elmo_sim_opt.onnx文件。
diff --git a/ACL_PyTorch/contrib/nlp/GNMT/README.md b/ACL_PyTorch/contrib/nlp/GNMT/README.md
index 97cc573386a178982bb5745cd0a936c1082196d3..d285b2456ddd948bb7270a0034b2c37c511fcaa7 100644
--- a/ACL_PyTorch/contrib/nlp/GNMT/README.md
+++ b/ACL_PyTorch/contrib/nlp/GNMT/README.md
@@ -3,8 +3,6 @@
- [概述](#ZH-CN_TOPIC_0000001172161501)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -51,21 +49,6 @@ GNMT是一个端到端机器翻译系统，它解决了NMT训练速度慢、很
| ----------- | ------ | -------- | ------------ |
| translation | 1 x 30 | INT32 | ND |
-
-# 推理环境准备\[所有版本\]
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
- | 配套 | 版本 | 环境准备指导 |
- | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
- | 固件与驱动 | 22.0.3 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | CANN | 6.0.RC1 | - |
- | Python | 3.7.5 | - |
- | PyTorch | 1.12.0 | - |
- | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
# 快速上手
1. 获取开源代码。
diff --git a/ACL_PyTorch/contrib/nlp/RARE_Resnet34_vd/README.md b/ACL_PyTorch/contrib/nlp/RARE_Resnet34_vd/README.md
index 7df607625d7c7e63c7326a0257ee58585b866b0c..c81a14b9a6617219c595ea5ffb831cd56c9d9863 100644
--- a/ACL_PyTorch/contrib/nlp/RARE_Resnet34_vd/README.md
+++ b/ACL_PyTorch/contrib/nlp/RARE_Resnet34_vd/README.md
@@ -5,8 +5,6 @@
- [输入输出数据](#section540883920406)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -48,24 +46,6 @@ RARE是一个对于不规则的文字具有鲁棒性的识别模型模型，参
| -------- | -------- | -------- | ------------ |
| output1 | FLOAT32 | batchsize x 25 x 38 | ND |
-
-
-# 推理环境准备
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
- | 配套 | 版本 | 环境准备指导 |
- | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
- | 固件与驱动 | 1.0.17 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | CANN | 6.0.RC1 | - |
- | Python | 3.7.5 | - |
- | paddlepaddle | 2.3.2 | 该依赖只支持x86 |
- | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
-
-
# 快速上手
## 获取源码
diff --git a/ACL_PyTorch/contrib/nlp/Rosetta_MobileNetV3/README.md b/ACL_PyTorch/contrib/nlp/Rosetta_MobileNetV3/README.md
index 2383f583fb8917466f2fc59d58cd5fb014015d22..1e559b2211a6a822e5eeeb28666ceb75e018d86e 100644
--- a/ACL_PyTorch/contrib/nlp/Rosetta_MobileNetV3/README.md
+++ b/ACL_PyTorch/contrib/nlp/Rosetta_MobileNetV3/README.md
@@ -2,7 +2,6 @@
- [Rosetta\_MobileNetV3 模型推理指导](#rosetta_mobilenetv3-模型推理指导)
- [概述](#概述)
-- [推理环境](#推理环境)
- [快速上手](#快速上手)
- [获取源码](#获取源码)
- [准备数据集](#准备数据集)
@@ -38,22 +37,6 @@ Rosetta是用于图像中文本检测和识别的大规模系统，文本识别
| ----------- | ---------- | ----------- | ----------- |
| softmax_0.tmp_0 | FLOAT32 | ND | batchsize x 25 x 37 |
-
-
-----
-# 推理环境
-
-- 该模型推理所需配套的软件如下：
-
- | 配套 | 版本 | 环境准备指导 |
- | --------- | ------- | ---------- |
- | 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | CANN | 5.1.RC2 | - |
- | Python | 3.7.5 | - |
-
- 说明：该模型离线推理使用 Atlas 300I Pro 推理卡，Atlas 300I Duo 推理卡请以 CANN 版本选择实际固件与驱动版本。
-
-
----
# 快速上手
@@ -73,7 +56,7 @@ Rosetta是用于图像中文本检测和识别的大规模系统，文本识别
3. 执行以下命令安装所需的依赖。
```shell
- pip install -r requirements.txt
+ pip3 install -r requirements.txt
python setup.py install
```
@@ -123,7 +106,7 @@ Rosetta是用于图像中文本检测和识别的大规模系统，文本识别
2. 数据预处理
执行前处理脚本将原始数据转换为 OM 模型输入需要的 bin 文件。
```shell
- python rosetta_preprocess.py \
+ python3 rosetta_preprocess.py \
--config configs/rec/rec_mv3_none_none_ctc.yml \
--opt data_dir=rosetta/lmdb/ bin_dir=rosetta/bin_list info_dir=rosetta/info_list
```
@@ -259,7 +242,7 @@ Rosetta是用于图像中文本检测和识别的大规模系统，文本识别
执行后处理脚本，根据推理结果计算OM模型的准确率：
```shell
- python rosetta_postprocess.py \
+ python3 rosetta_postprocess.py \
-c configs/rec/rec_mv3_none_none_ctc.yml \
-o res_dir=rosetta/val_bs1_out/2022_09_26-15_13_53/ info_dir=rosetta/info_list/
```
diff --git a/ACL_PyTorch/contrib/nlp/Rosetta_Resnet34_vd/README.md b/ACL_PyTorch/contrib/nlp/Rosetta_Resnet34_vd/README.md
index 283b950cb9a23030f83af04025f3c0fa7022aa85..5535a723b48ae5bba80035ad9d8ef42b85bc99e7 100644
--- a/ACL_PyTorch/contrib/nlp/Rosetta_Resnet34_vd/README.md
+++ b/ACL_PyTorch/contrib/nlp/Rosetta_Resnet34_vd/README.md
@@ -3,8 +3,6 @@
- [概述](#ZH-CN_TOPIC_0000001172161501)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -55,21 +53,6 @@
| -------- | -------- | -------- | ------------ |
| output1 | batchsize x 25 x 37 | FLOAT32 | ND |
-
-# 推理环境准备
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
-| 配套 | 版本 | 环境准备指导 |
-| ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-| 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN | 5.1.RC2 | - |
-| Python | 3.7.5 | - |
-| paddlepaddle | 2.3.2 | - |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
# 快速上手
## 获取源码
diff --git a/ACL_PyTorch/contrib/nlp/SAST/README.md b/ACL_PyTorch/contrib/nlp/SAST/README.md
index b3b117caf039b9442facba7ac01414770ceaa2bd..9381b25dced9b3718b29681f6820cb5388074838 100644
--- a/ACL_PyTorch/contrib/nlp/SAST/README.md
+++ b/ACL_PyTorch/contrib/nlp/SAST/README.md
@@ -4,8 +4,6 @@
- [输入输出数据](#section540883920406)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -45,20 +43,6 @@ SAST模型提出了一个one-shot的文本检测器，基于多任务学习，
| output3 | FLOAT32 | batchsize x 2 x 224 x 384 | NCHW |
| output4 | FLOAT32 | batchsize x 8 x 224 x 384 | NCHW |
-# 推理环境准备
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
- | 配套 | 版本 | 环境准备指导 |
- | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
- | 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | CANN | 6.0.RC1 | - |
- | Python | 3.7.5 | - |
- | PyTorch | 1.11.0 | - |
- | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
# 快速上手
diff --git a/ACL_PyTorch/contrib/nlp/SATRN/README.md b/ACL_PyTorch/contrib/nlp/SATRN/README.md
index 2e884005a28746545155f206fc516eda008571d6..fe988c53be89f336b54784ee6b92251395952e22 100644
--- a/ACL_PyTorch/contrib/nlp/SATRN/README.md
+++ b/ACL_PyTorch/contrib/nlp/SATRN/README.md
@@ -2,7 +2,6 @@
- [SATRN 模型推理指导](#satrn-模型推理指导)
- [概述](#概述)
-- [推理环境](#推理环境)
- [快速上手](#快速上手)
- [获取源码](#获取源码)
- [准备数据集](#准备数据集)
@@ -37,21 +36,6 @@
| ----------- | ---------- | ----------- | ----------- |
| output | FLOAT32 | ND | 1 x 25 x 92 |
-
-
-----
-# 推理环境
-
-- 该模型离线推理使用 Atlas 300I Pro 推理卡，推理所需配套的软件如下：
-
- | 配套 | 版本 | 环境准备指导 |
- | --------- | ------- | ---------- |
- | firmware | 1.82.22.2.220 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | driver | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | CANN | 5.1.RC2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | Python | 3.8 | - |
-
-
----
# 快速上手
@@ -113,7 +97,7 @@
2. 数据预处理
执行前处理脚本将原始数据转换为 OM 模型输入需要的 bin 文件。
```shell
- python satrn_preprocess.py --cfg-path configs/textrecog/satrn/satrn_small.py --save-dir satrn/test_bin
+ python3 satrn_preprocess.py --cfg-path configs/textrecog/satrn/satrn_small.py --save-dir satrn/test_bin
```
参数说明：
+ --cfg-path: 模型配置文件路径
@@ -134,7 +118,7 @@
step2: 生成 ONNX 模型
```
- python satrn_pth2onnx.py \
+ python3 satrn_pth2onnx.py \
--cfg-path configs/textrecog/satrn/satrn_small.py \
--ckpt-path satrn/satrn_small_20211009-2cf13355.pth \
--onnx-path satrn/satrn.onnx
@@ -229,7 +213,7 @@
执行后处理脚本，根据推理结果计算OM模型的准确率：
```shell
- python satrn_postprocess.py --result-dir satrn/test_out/2022_09_28-08_47_23/ --gt-path data/mixture/IIIT5K/test_label.txt
+ python3 satrn_postprocess.py --result-dir satrn/test_out/2022_09_28-08_47_23/ --gt-path data/mixture/IIIT5K/test_label.txt
```
参数说明：
+ --result-dir: 存放推理结果的目录路径
diff --git a/ACL_PyTorch/contrib/nlp/SDMGR/README.md b/ACL_PyTorch/contrib/nlp/SDMGR/README.md
index 0e52d50255af06156bafd5995505f7e047df3d91..66b412aa92fa10dc450116041e99b3141c0c6efc 100644
--- a/ACL_PyTorch/contrib/nlp/SDMGR/README.md
+++ b/ACL_PyTorch/contrib/nlp/SDMGR/README.md
@@ -2,7 +2,6 @@
- [概述](#概述)
- [输入输出数据](#输入输出数据)
-- [推理环境](#推理环境)
- [快速上手](#快速上手)
- [获取源码](#获取源码)
- [准备数据集](#准备数据集)
@@ -40,22 +39,6 @@ SDMGR是一种多模态端到端的文档关键信息抽取模型，它同时使
| nodes | FLOAT32 | ND | num_text x num_text |
| edges | FLOAT32 | ND | (num_text * num_text) x 2 |
-
-
-----
-# 推理环境
-
-- 该模型推理所需配套的软件如下：
-
- | 配套 | 版本 | 环境准备指导 |
- | --------- | ------- | ---------- |
- | 固件与驱动 | 1.0.18 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | CANN | 6.0.1 | - |
- | Python | 3.8.13 | - |
-
- 说明：请根据推理卡型号与 CANN 版本选择相匹配的固件与驱动版本。
-
-
----
# 快速上手
diff --git a/ACL_PyTorch/contrib/nlp/SpanBERT/README.md b/ACL_PyTorch/contrib/nlp/SpanBERT/README.md
index 58a2f88e34e9b5de76211ab929832ae9c714d077..d20ed108573046ce00aaf975b0322a19fbb02674 100644
--- a/ACL_PyTorch/contrib/nlp/SpanBERT/README.md
+++ b/ACL_PyTorch/contrib/nlp/SpanBERT/README.md
@@ -4,10 +4,6 @@
- [概述](#ZH-CN_TOPIC_0000001172161501)
- [输入输出数据](#section540883920406)
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -59,37 +55,6 @@ SpanBERT在BERT的基础上，采用Geometric Spans的遮盖方案并加入Span
| output | FLOAT32 | batchsize x 512 | ND |
-# 推理环境准备
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
- | 配套 | 版本 | 环境准备指导 |
- | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
- | 固件与驱动 | 1.0.17 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | CANN | 6.0.RC1 | - |
- | Python | 3.7.5 | - |
- | PyTorch | 1.8.0 | - |
- | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
-- 该模型需要以下依赖
-
- **表 2** 依赖列表
-
- | 依赖名称 | 版本 |
- | ----------- | ------ |
- | torch | 1.8.1 |
- | boto3 | 1.24.3 |
- | requests | 2.27.1 |
- | tqdm | 4.64.0 |
- | sympy | 1.10.1 |
- | decorator | 5.1.1 |
- | onnxruntime | 1.11.1 |
- | numpy | 1.21.6 |
-
-
-
# 快速上手
## 获取源码
diff --git a/ACL_PyTorch/contrib/nlp/StarNet_MobileNetV3/README.md b/ACL_PyTorch/contrib/nlp/StarNet_MobileNetV3/README.md
index 73aa6bb9c70494217ebef1bc75b3f50e18f392c4..f45ef8b71a5101f2be9d2877a6f776bd4fbf0441 100644
--- a/ACL_PyTorch/contrib/nlp/StarNet_MobileNetV3/README.md
+++ b/ACL_PyTorch/contrib/nlp/StarNet_MobileNetV3/README.md
@@ -3,8 +3,6 @@
- [概述](#ZH-CN_TOPIC_0000001172161501)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -55,22 +53,6 @@
| -------- | -------- | -------- | ------------ |
| output1 | batchsize x 25 x 37 | FLOAT32 | ND |
-
-# 推理环境准备\[所有版本\]
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
-| 配套 | 版本 | 环境准备指导 |
-| ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-| 固件与驱动 | 22.0.2.3 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN | 6.0.RC1 | - |
-| Python | 3.7.5 | - |
-| PyTorch | 1.12.1 | - |
-| paddlepaddle | 2.3.2 | - |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
# 快速上手
## 获取源码
diff --git a/ACL_PyTorch/contrib/nlp/TextCNN/README.md b/ACL_PyTorch/contrib/nlp/TextCNN/README.md
index c6c5f32f58f6b410931405a87f5d602a335ff090..58fa19e97ba3214d723793a1abe3100dd3f93f48 100644
--- a/ACL_PyTorch/contrib/nlp/TextCNN/README.md
+++ b/ACL_PyTorch/contrib/nlp/TextCNN/README.md
@@ -5,7 +5,7 @@
1.安装必要的依赖，测试环境可能已经安装其中的一些不同版本的库了，故手动测试时不推荐使用该命令安装
```
-pip3.7 install -r requirements.txt
+pip3 install -r requirements.txt
```
2.获取，修改与安装开源模型代码
diff --git a/ACL_PyTorch/contrib/nlp/TrOCR/README.md b/ACL_PyTorch/contrib/nlp/TrOCR/README.md
index 00cf00ef0a91ab05cfa60c5a692b9b5b845420fe..ffd4a30553e49118b5065af4e57fc6ff36408596 100644
--- a/ACL_PyTorch/contrib/nlp/TrOCR/README.md
+++ b/ACL_PyTorch/contrib/nlp/TrOCR/README.md
@@ -3,8 +3,6 @@
- [概述](#ZH-CN_TOPIC_0000001172161501)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -55,21 +53,6 @@ TrOCR是一种端到端的文本识别方法，具有预先训练好的图像Tra
| scores_out | 31 x 10 x 201 | FLOAT32 | ND |
| attn_out | 31 x 10 x 578x202 | FLOAT32 | ND |
-
-# 推理环境准备\[所有版本\]
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
- | 配套 | 版本 | 环境准备指导 |
- | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
- | 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | CANN | 6.0.RC1 | - |
- | Python | 3.7.5 | - |
- | PyTorch | 1.12.0 | - |
- | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
# 快速上手
1. 获取开源代码。
diff --git a/ACL_PyTorch/contrib/nlp/Transformer/README.md b/ACL_PyTorch/contrib/nlp/Transformer/README.md
index eafae78e77c97b5fefad30044cd950bc327e01d2..30f77309324ea53a5051979986bc274dfe26c09f 100644
--- a/ACL_PyTorch/contrib/nlp/Transformer/README.md
+++ b/ACL_PyTorch/contrib/nlp/Transformer/README.md
@@ -5,8 +5,6 @@
- [输入输出数据](#section540883920406)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [源码及环境](#section4622531142816)
@@ -61,21 +59,6 @@
| -------- | ------ | -------- | ------------ |
| output | 1 x 15 | INT64 | ND |
-
-# 推理环境准备\[所有版本\]
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
-| 配套 | 版本 | 环境准备指导 |
-| ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-| 固件与驱动 | 1.0.15 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN | 6.0.RC1 | - |
-| Python | 3.7.5 | - |
-| PyTorch | 1.8.0 | - |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
# 快速上手
## 源码及环境
diff --git a/ACL_PyTorch/contrib/nlp/TransformerXL_for_Pytorch/README.md b/ACL_PyTorch/contrib/nlp/TransformerXL_for_Pytorch/README.md
index 4adf71b4105964f8b01f49c5c957bc185b400bf8..5628506e72ebc5092691210956c5f6fbcbb45ae0 100755
--- a/ACL_PyTorch/contrib/nlp/TransformerXL_for_Pytorch/README.md
+++ b/ACL_PyTorch/contrib/nlp/TransformerXL_for_Pytorch/README.md
@@ -4,8 +4,6 @@
- [输入输出数据](#section540883920406)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -46,21 +44,6 @@ Transformer-XL是一个自然语言处理框架，在Transformer的基础上提
| -------- | ------------- | -------- | ------------ |
| output | 80 x 204 | FLOAT16 | ND |
| mems | 160 x 1 x 512 | FLOAT16 | ND |
-
-
-# 推理环境准备
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
- | 配套 | 版本 | 环境准备指导 |
- | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
- | 固件与驱动 | 1.0.17 | [Pytorch框架推理环境准备](https://gitee.com/link?target=https%3A%2F%2Fwww.hiascend.com%2Fdocument%2Fdetail%2Fzh%2FModelZoo%2Fpytorchframework%2Fpies) |
- | CANN | 6.0.RC1 | - |
- | Python | 3.7.5 | - |
- | PyTorch | 1.8.0 | - |
- | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
# 快速上手
diff --git a/ACL_PyTorch/contrib/nlp/Transformerxl_large/README.md b/ACL_PyTorch/contrib/nlp/Transformerxl_large/README.md
index bd6d1bae263998385734a7d800dc147eaf2d2372..1438c01b67194d061b6a8531f535ed4f21d3a945 100644
--- a/ACL_PyTorch/contrib/nlp/Transformerxl_large/README.md
+++ b/ACL_PyTorch/contrib/nlp/Transformerxl_large/README.md
@@ -1,7 +1,7 @@
## 环境准备
1. 安装必要的依赖
```
-pip3.7 install -r requirements.txt
+pip3 install -r requirements.txt
```
2. 获取，修改与安装开源模型代码
```
@@ -23,7 +23,7 @@ bash getdata.sh # enwik8数据集在data/enwik8下，包含处理好的train.tx
```
git clone https://gitee.com/Ronnie_zheng/MagicONNX.git
cd MagicONNX && git checkout 8d62ae9dde478f35bece4b3d04eef573448411c9
-pip install . && cd..
+pip3 install . && cd..
```
## 离线推理
@@ -63,3 +63,6 @@ bash test/eval_acc_perf.sh ${om_out_path} ${target_bin} # om_out_path路径
| --------- | -------- |
| bpc=5.37 | bpc=5.39 |
+
+# 公网地址说明
+代码涉及公网地址参考 public_address_statement.md
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/nlp/Transformerxl_large/public_address_statement.md b/ACL_PyTorch/contrib/nlp/Transformerxl_large/public_address_statement.md
new file mode 100644
index 0000000000000000000000000000000000000000..39d91cdbe2a03115339b6aa0c03ff0234616d1db
--- /dev/null
+++ b/ACL_PyTorch/contrib/nlp/Transformerxl_large/public_address_statement.md
@@ -0,0 +1,5 @@
+| 类型 | 开源代码地址 | 文件名 | 公网IP地址/公网URL地址/域名/邮箱地址 | 用途说明 |
+| ---- | ------------ | ------ | ------------------------------------ | -------- |
+|开发引入|https://github.com/kimiyoung/transformer-xl.git |getdata.sh |http://mattmahoney.net/dc/enwik8.zip |说明源码出处|
+|开发引入|https://github.com/kimiyoung/transformer-xl.git |getdata.sh |https://raw.githubusercontent.com/salesforce/awd-lstm-lm/master/data/enwik8/prep_enwik8.py |说明源码出处|
+|开源代码引入|https://github.com/kimiyoung/transformer-xl.git |sample.patch |https://github.com/tensorflow/tensorflow/blob/r1.10/tensorflow/python/ops/candidate_sampling_ops.py |说明源码出处|
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/nlp/bert_large_NER/README.md b/ACL_PyTorch/contrib/nlp/bert_large_NER/README.md
index 48b24a4d73a291d50a0cb4a76d117be5542a52ff..8b24d4b6c7c216c2c5589f468a308331dce4ffe8 100644
--- a/ACL_PyTorch/contrib/nlp/bert_large_NER/README.md
+++ b/ACL_PyTorch/contrib/nlp/bert_large_NER/README.md
@@ -2,7 +2,6 @@
- [概述](#ZH-CN_TOPIC_0000001172161501)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
@@ -50,20 +49,6 @@
| -------- | -------------------- | -------- | ------------ |
| logits | batchsize x 512 x 9 | FLOAT32 | ND |
-
-# 推理环境准备
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
-| 配套 | 版本 | 环境准备指导 |
-| ---------- | ------- | ------------------------------------------------------------ |
-| 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN | 6.0.RC1 | - |
-| Python | 3.7.5 | - |
-| Pytorch | 1.12.0 | - |
-
# 快速上手
## 获取源码
@@ -100,7 +85,7 @@
2. 安装依赖。
```
- pip install -r requirements.txt
+ pip3 install -r requirements.txt
```
@@ -125,7 +110,7 @@
生成om模型需要的推理数据，完成预处理：
```
- python bin_create.py --input_file='./conll2003/test.txt' --model_name_from_hub='./bert-large-NER'
+ python3 bin_create.py --input_file='./conll2003/test.txt' --model_name_from_hub='./bert-large-NER'
```
* --input_file：输入数据集
* --model_name_from_hub：所使用的hugging face 开源模型名，需要调用其中的的字典进行数据生成
@@ -141,11 +126,11 @@
1. 使用transformers[onnx]导出onnx文件
```
- pip install transforemers[onnx]
+ pip3 install transforemers[onnx]
```
```
- python -m transformers.onnx --model=bert-large-NER --feature=token-classification onnx/
+ python3 -m transformers.onnx --model=bert-large-NER --feature=token-classification onnx/
```
* --model：hugging face上下载的开源模型
@@ -168,7 +153,7 @@
```
# 简化onnx文件 其中seq_len=512，bs为批次大小
- python -m onnxsim model.onnx bert_large_bs${bs}_sim.onnx --input-shape "input_ids:${bs},${seq_len}" "attention_mask:${bs},${seq_len}" "token_type_ids:${bs},${seq_len}"
+ python3 -m onnxsim model.onnx bert_large_bs${bs}_sim.onnx --input-shape "input_ids:${bs},${seq_len}" "attention_mask:${bs},${seq_len}" "token_type_ids:${bs},${seq_len}"
# 修改onnx文件
python fix_onnx.py bert_large_bs${bs}_sim.onnx bert_large_bs${bs}_fix.onnx
```
@@ -241,7 +226,7 @@
```
# 性能测试
- python -m ais_bench --model ./bert_large_bs${bs}_fix.om --batchsize ${bs} --loop 50
+ python3 -m ais_bench --model ./bert_large_bs${bs}_fix.om --batchsize ${bs} --loop 50
```
参数说明：
@@ -256,7 +241,7 @@
```
# 精度测试
- python -m ais_bench --model ./bert_large_bs${bs}_fix.om --input "./bert_bin/bert_bin_2022xxxx-xxxxxx/input_ids,./bert_bin/bert_bin_2022xxxx-xxxxxx/attention_mask,./bert_bin/bert_bin_2022xxxx-xxxxxx/token_type_ids" --output ./bert-large-OUT/bs${bs} --batchsize ${bs} --outfmt NPY
+ python3 -m ais_bench --model ./bert_large_bs${bs}_fix.om --input "./bert_bin/bert_bin_2022xxxx-xxxxxx/input_ids,./bert_bin/bert_bin_2022xxxx-xxxxxx/attention_mask,./bert_bin/bert_bin_2022xxxx-xxxxxx/token_type_ids" --output ./bert-large-OUT/bs${bs} --batchsize ${bs} --outfmt NPY
```
参数说明：
@@ -277,7 +262,7 @@
```
# 调用脚本将推理生成数据与数据集标签比对，可以获得Accuracy数据，结果保存在result.json中
- python bert_metric.py --result_dir ./bert-large-OUT/bs${bs}/2022_xx_xx-xx_xx_xx --anno_file ./bert_bin/bert_bin_2022xxxx-xxxxxx.anno
+ python3 bert_metric.py --result_dir ./bert-large-OUT/bs${bs}/2022_xx_xx-xx_xx_xx --anno_file ./bert_bin/bert_bin_2022xxxx-xxxxxx.anno
```
参数说明：
diff --git a/ACL_PyTorch/contrib/nlp/ch_PP-OCRv2_rec/README.md b/ACL_PyTorch/contrib/nlp/ch_PP-OCRv2_rec/README.md
index 227ce989a37c46ddbf3b594eb7ab3326d3da8651..9938d5073f898e26afe46274c5b38613caf7b7b4 100755
--- a/ACL_PyTorch/contrib/nlp/ch_PP-OCRv2_rec/README.md
+++ b/ACL_PyTorch/contrib/nlp/ch_PP-OCRv2_rec/README.md
@@ -3,8 +3,6 @@
- [概述](#ZH-CN_TOPIC_0000001172161501)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -45,21 +43,6 @@ ch_PP-OCRv2_rec是基于[PP-OCRv2](https://arxiv.org/abs/2109.03144)的中文文
| -------- | -------- | -------- | ------------ |
| output1 | FLOAT32 | batchsize x D x 6625 | ND |
-
-# 推理环境准备\[所有版本\]
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
-| 配套 | 版本 | 环境准备指导 |
-| ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-| 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN | 5.1.RC2 | - |
-| Python | 3.7.5 | - |
-| paddlepaddle | 2.3.2 | - |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
# 快速上手
## 获取源码
@@ -96,7 +79,7 @@ ch_PP-OCRv2_rec是基于[PP-OCRv2](https://arxiv.org/abs/2109.03144)的中文文
在`ch_PP-OCRv2_rec`工作目录下，执行ch_PP-OCRv2_rec_preprocess.py脚本，完成预处理。
```
- python ch_PP-OCRv2_rec_preprocess.py \
+ python3 ch_PP-OCRv2_rec_preprocess.py \
-c PaddleOCR/configs/rec/ch_PP-OCRv2/ch_PP-OCRv2_rec_distillation.yml \
-o Global.infer_img=PaddleOCR/doc/imgs_words/ch/
```
@@ -216,7 +199,7 @@ ch_PP-OCRv2_rec是基于[PP-OCRv2](https://arxiv.org/abs/2109.03144)的中文文
b. 执行推理。
```
- python -m ais_bench --model=ch_PP-OCRv2_rec_bs1.om --input=./pre_data/ --output=./ --output_dirname=results_bs1 --auto_set_dymdims_mode=1 --outfmt=NPY
+ python3 -m ais_bench --model=ch_PP-OCRv2_rec_bs1.om --input=./pre_data/ --output=./ --output_dirname=results_bs1 --auto_set_dymdims_mode=1 --outfmt=NPY
```
- 参数说明：
diff --git a/ACL_PyTorch/contrib/nlp/ch_PP-OCRv3_rec/README.md b/ACL_PyTorch/contrib/nlp/ch_PP-OCRv3_rec/README.md
index 6b1b8e82e6449f196c3498f262d1dd84620372a3..9aa0cb6b8b2da68aa20c6fa51bb649ba3816d885 100755
--- a/ACL_PyTorch/contrib/nlp/ch_PP-OCRv3_rec/README.md
+++ b/ACL_PyTorch/contrib/nlp/ch_PP-OCRv3_rec/README.md
@@ -3,8 +3,6 @@
- [概述](#ZH-CN_TOPIC_0000001172161501)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -44,21 +42,6 @@ ch_PP-OCRv3_rec是基于[[PP-OCRv3](https://github.com/PaddlePaddle/PaddleOCR/bl
| -------- | -------- | -------- | ------------ |
| output1 | FLOAT32 | batchsize x D x 6625 | ND |
-
-# 推理环境准备\[所有版本\]
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
-| 配套 | 版本 | 环境准备指导 |
-| ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-| 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN | 5.1.RC2 | - |
-| Python | 3.7.5 | - |
-| paddlepaddle | 2.3.2 | - |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
# 快速上手
## 获取源码
@@ -217,7 +200,7 @@ ch_PP-OCRv3_rec是基于[[PP-OCRv3](https://github.com/PaddlePaddle/PaddleOCR/bl
b. 执行推理。
```
- python -m ais_bench --model=ch_PP-OCRv3_rec_bs1.om --input=./image_npy --output=./ --output_dirname=results_bs1 --auto_set_dymdims_mode=1
+ python3 -m ais_bench --model=ch_PP-OCRv3_rec_bs1.om --input=./image_npy --output=./ --output_dirname=results_bs1 --auto_set_dymdims_mode=1
```
- 参数说明：
diff --git a/ACL_PyTorch/contrib/nlp/ch_ppocr_server_v2.0_rec/README.md b/ACL_PyTorch/contrib/nlp/ch_ppocr_server_v2.0_rec/README.md
index a6ec164d04179213e78be9590afde7864e2d5c30..b6ac9f6025977ca1c4e55b5f9dd87fdd4be6aab0 100644
--- a/ACL_PyTorch/contrib/nlp/ch_ppocr_server_v2.0_rec/README.md
+++ b/ACL_PyTorch/contrib/nlp/ch_ppocr_server_v2.0_rec/README.md
@@ -5,8 +5,6 @@
- [输入输出数据](#section540883920406)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -47,20 +45,6 @@ ch_ppocr_server_v2.0_rec是一种通用的中文中文的识别模型，它的
| -------- | -------- | -------- | ------------ |
| output1 | FLOAT32 | batchsize x 40 x 97 | ND |
-
-# 推理环境准备\[所有版本\]
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
- | 配套 | 版本 | 环境准备指导 |
- | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
- | 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | CANN | 5.1.RC2 | - |
- | Python | 3.7.5 | - |
- | paddlepaddle | 2.3.2 | 仅支持x86服务器安装 |
-
# 快速上手
## 获取源码
@@ -219,7 +203,7 @@ ch_ppocr_server_v2.0_rec是一种通用的中文中文的识别模型，它的
b. 执行推理。
在当前目录下运行以下指令
```
- python -m ais_bench --model=ch_ppocr_server_v2.0_rec_bs1.om --input=./pre_data --output=./ --output_dirname=results_bs1--auto_set_dymdims_mode=1 --outfmt=NPY
+ python3 -m ais_bench --model=ch_ppocr_server_v2.0_rec_bs1.om --input=./pre_data --output=./ --output_dirname=results_bs1--auto_set_dymdims_mode=1 --outfmt=NPY
```
- 参数说明：
@@ -236,7 +220,7 @@ ch_ppocr_server_v2.0_rec是一种通用的中文中文的识别模型，它的
在`ch_ppocr_server_v2.0_rec`工作目录下执行后处理脚本`ch_server_rec_postprocess.py`，参考命令如下：
```
- python ch_server_rec_postprocess.py \
+ python3 ch_server_rec_postprocess.py \
-c PaddleOCR/configs/rec/ch_ppocr_v2.0/rec_chinese_common_train_v2.0.yml \
-o Global.infer_results=./results_bs1
```
diff --git a/ACL_PyTorch/contrib/nlp/deberta/README.md b/ACL_PyTorch/contrib/nlp/deberta/README.md
index 8131cb59ec8646c583014c3f93e9fc8487210f36..ca95363cb7f39a8cc8aad71f80b9a745ef487293 100644
--- a/ACL_PyTorch/contrib/nlp/deberta/README.md
+++ b/ACL_PyTorch/contrib/nlp/deberta/README.md
@@ -5,10 +5,6 @@
- [输入输出数据](#section540883920406)
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -52,22 +48,6 @@ DeBERTa使用两种新技术改进了BERT和RoBERTa模型。第一种是解耦
| output1 | FLOAT32 | batchsize x 3 | ND |
-# 推理环境准备
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
- | 配套 | 版本 | 环境准备指导 |
- | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
- | 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | CANN | 5.1.RC2 | - |
- | Python | 3.7.5 | - |
- | PyTorch | 1.11.0 | - |
- | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
-
-
# 快速上手
## 获取源码
@@ -239,7 +219,7 @@ DeBERTa使用两种新技术改进了BERT和RoBERTa模型。第一种是解耦
调用脚本与数据集标签val\_label.txt比对，可以获得Accuracy数据，结果保存在result.json中。
```
- python3.7 deberta_postprocess.py --datasets_path ${dataset_path}/ --bin_file_path ./result/${dataset_version}/*/ --dataset_version ${dataset_version} --eval_save_path ./result --eval_save_file eval_bs${batch_size}_${dataset_version}.txt
+ python3 deberta_postprocess.py --datasets_path ${dataset_path}/ --bin_file_path ./result/${dataset_version}/*/ --dataset_version ${dataset_version} --eval_save_path ./result --eval_save_file eval_bs${batch_size}_${dataset_version}.txt
```
- 参数说明：
@@ -255,7 +235,7 @@ DeBERTa使用两种新技术改进了BERT和RoBERTa模型。第一种是解耦
可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
```
- python3.7 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
+ python3 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
```
- 参数说明：
diff --git a/ACL_PyTorch/contrib/nlp/en_PP-OCRv3_rec/README.md b/ACL_PyTorch/contrib/nlp/en_PP-OCRv3_rec/README.md
index 02ee2919e2a0fed4721f990f8a288f76c8150ad0..45956a2cd9663a2f95e0ea9ed8d3b8468b600571 100644
--- a/ACL_PyTorch/contrib/nlp/en_PP-OCRv3_rec/README.md
+++ b/ACL_PyTorch/contrib/nlp/en_PP-OCRv3_rec/README.md
@@ -3,8 +3,6 @@
- [概述](#ZH-CN_TOPIC_0000001172161501)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -54,21 +52,6 @@ en_PP-OCRv3_rec是基于[[PP-OCRv3](https://github.com/PaddlePaddle/PaddleOCR/bl
| -------- | -------- | -------- | ------------ |
| output1 | batchsize x 40 x 97 | FLOAT32 | ND |
-
-# 推理环境准备\[所有版本\]
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
-| 配套 | 版本 | 环境准备指导 |
-| ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-| 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN | 5.1.RC2 | - |
-| Python | 3.7.5 | - |
-| paddlepaddle | 2.3.2 | - |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
# 快速上手
## 获取源码
diff --git a/ACL_PyTorch/contrib/nlp/hubert/README.md b/ACL_PyTorch/contrib/nlp/hubert/README.md
index ca8e655017ee419fb8060ffd3a9969f839842210..107893a0f363852d5adf1fba8d7b245bd1b6a58d 100644
--- a/ACL_PyTorch/contrib/nlp/hubert/README.md
+++ b/ACL_PyTorch/contrib/nlp/hubert/README.md
@@ -1,7 +1,6 @@
# Hubert模型离线推理指导
- [概述](#概述)
- [输入输出数据](#输入输出数据)
-- [推理环境准备](#推理环境准备)
- [快速上手](#快速上手)
@@ -45,25 +44,6 @@ HuBERT是一种学习自监督语音表征的新方法。通过在聚类和预
|---------------| -------- |--------| ------------ |
| result | 1812 x 1 x 32 | FLOAT32 | ND |
-
-
-
-# 推理环境准备
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
-| 配套 | 版本 | 环境准备指导 |
-| ------------------------------------------------------------ |---------| ------------------------------------------------------------ |
-| 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://gitee.com/link?target=https%3A%2F%2Fwww.hiascend.com%2Fdocument%2Fdetail%2Fzh%2FModelZoo%2Fpytorchframework%2Fpies) |
-| CANN | 6.0.RC1 | - |
-| Python | 3.7.5 | - |
-| PyTorch | 1.11.0 | - |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | | |
-
-
-
# 快速上手
## 获取源码
@@ -82,7 +62,7 @@ HuBERT是一种学习自监督语音表征的新方法。通过在聚类和预
2. 安装依赖。
```
- pip3.7.5 install -r requirements.txt
+ pip3 install -r requirements.txt
```
@@ -133,7 +113,7 @@ HuBERT是一种学习自监督语音表征的新方法。通过在聚类和预
```
mkdir -p ./pre_data/test-clean
- python3.7.5 hubert_preprocess.py --model_path ./hubert_large_ll60k_finetune_ls960.pt --datasets_tsv_path ./data/test-clean/train.tsv --datasets_ltr_path ./data/test-clean/train.ltr --pre_data_source_save_path ./pre_data/test-clean/source/ --pre_data_label_save_path ./pre_data/test-clean/label/
+ python3 hubert_preprocess.py --model_path ./hubert_large_ll60k_finetune_ls960.pt --datasets_tsv_path ./data/test-clean/train.tsv --datasets_ltr_path ./data/test-clean/train.ltr --pre_data_source_save_path ./pre_data/test-clean/source/ --pre_data_label_save_path ./pre_data/test-clean/label/
```
- 参数说明
@@ -173,7 +153,7 @@ HuBERT是一种学习自监督语音表征的新方法。通过在聚类和预
运行pth2onnx.py脚本。
```
- python3.7.5 pth2onnx.py --model_path hubert_large_ll60k_finetune_ls960.pt --onnx_path ./hubert.onnx
+ python3 pth2onnx.py --model_path hubert_large_ll60k_finetune_ls960.pt --onnx_path ./hubert.onnx
```
获得hubert.onnx文件。
@@ -238,7 +218,7 @@ HuBERT是一种学习自监督语音表征的新方法。通过在聚类和预
2. 执行推理。
```
- python3.7.5 -m ais_bench --model hubert.om --batchsize 1 --input "./pre_data/test-clean/source/" --output "./out_data/test-clean/" --device 0
+ python3 -m ais_bench --model hubert.om --batchsize 1 --input "./pre_data/test-clean/source/" --output "./out_data/test-clean/" --device 0
```
- 参数说明：
- --model: 需要进行推理的om离线模型文件。
@@ -255,7 +235,7 @@ HuBERT是一种学习自监督语音表征的新方法。通过在聚类和预
```
mkdir -p ./res_data/test-clean
- python3.7.5 hubert_postprocess.py --model_path ./hubert_large_ll60k_finetune_ls960.pt --source_json_path ./out_data/test-clean/2023_01_06-02_25_32_summary.json --label_bin_file_path ./pre_data/test-clean/label/ --res_file_path ./res_data/test-clean/
+ python3 hubert_postprocess.py --model_path ./hubert_large_ll60k_finetune_ls960.pt --source_json_path ./out_data/test-clean/2023_01_06-02_25_32_summary.json --label_bin_file_path ./pre_data/test-clean/label/ --res_file_path ./res_data/test-clean/
```
- 参数说明：
@@ -269,7 +249,7 @@ HuBERT是一种学习自监督语音表征的新方法。通过在聚类和预
可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
```
- python3.7.5 -m ais_bench --model hubert.om --batchsize 1 --output ./result --loop 1000 --device 0
+ python3 -m ais_bench --model hubert.om --batchsize 1 --output ./result --loop 1000 --device 0
```
- 参数说明：
diff --git a/ACL_PyTorch/contrib/nlp/m2m_100/README.md b/ACL_PyTorch/contrib/nlp/m2m_100/README.md
index ea39d4b03409e78fa366245df4649636f3066153..a8908c4b018dbac34d5c858cf5a5fe4174620d91 100644
--- a/ACL_PyTorch/contrib/nlp/m2m_100/README.md
+++ b/ACL_PyTorch/contrib/nlp/m2m_100/README.md
@@ -5,10 +5,6 @@
- [输入输出数据](#section540883920406)
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -46,20 +42,6 @@ m2m100是Meta公司开发的最新seq2seq模型，支持100中语言间的互相
| -------- | -------- | -------- | ------------ |
| output | FLOAT32 | 5 x 1 X 128112 | ND |
-# 推理环境准备
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
- | 配套 | 版本 | 环境准备指导 |
- | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
- | 固件与驱动 | 22.0.3 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | CANN | 6.0.RC1 | - |
- | Python | 3.7.5 | - |
- | PyTorch | 1.9.0 | - |
- | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
# 快速上手
## 获取源码
diff --git a/ACL_PyTorch/contrib/nlp/roberta/README.md b/ACL_PyTorch/contrib/nlp/roberta/README.md
index 77d1b9c06d8adfa592eb4b9fa5d58b807ce276e5..ed21ca589a4fc89aee30b3c47e9fe5cdd9040301 100644
--- a/ACL_PyTorch/contrib/nlp/roberta/README.md
+++ b/ACL_PyTorch/contrib/nlp/roberta/README.md
@@ -5,10 +5,6 @@
- [输入输出数据](#section540883920406)
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -48,22 +44,6 @@
| -------- | -------- | -------- | ------------ |
| output | FLOAT32 | batchsize x num_class | ND |
-# 推理环境准备
-
-- 该模型需要以下插件与驱动:
-
- **表 1** 版本配套表
-
- | 配套 | 版本 | 环境准备指导 |
- | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
- | 固件与驱动 | 23.0.RC2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
- | CANN | 6.3.RC2 | - |
- | Python | 3.7.5 | - |
- | PyTorch | 1.5.0+ | - |
- | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
-
-
-
# 快速上手
## 获取源码
diff --git a/ACL_PyTorch/contrib/nlp/tinybert/README.md b/ACL_PyTorch/contrib/nlp/tinybert/README.md
index a52a32070467f52e1e5502ab677c5370a5307494..f8313f2c74b4c911d44bbb9290618ae36ba75ff6 100755
--- a/ACL_PyTorch/contrib/nlp/tinybert/README.md
+++ b/ACL_PyTorch/contrib/nlp/tinybert/README.md
@@ -5,8 +5,6 @@
- [输入输出数据](#section540883920406)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -36,20 +34,6 @@ TinyBERT是一种新型的Transformer蒸馏方法，该方法能将大型教师B
| -------- | -------- | ------------------ | ------------ |
| output1 | FLOAT32 | batchsize x 4 x 51 | ND |
-
-# 推理环境准备\[所有版本\]
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
-| 配套 | 版本 | 环境准备指导 |
-| ---------- | ------- | ----------------------- |
-| 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN | 6.0.0 | - |
-| Python | 3.7.5 | - |
-| PyTorch | 1.8.0 | - |
-
# 快速上手
## 获取源码
diff --git a/ACL_PyTorch/contrib/rl/DQN/README.md b/ACL_PyTorch/contrib/rl/DQN/README.md
index ed94e4a257f462935207c1c8fc23cccd5bb6b5f8..26c48d653336f9ff4f4ca12037946dacdd1229b7 100644
--- a/ACL_PyTorch/contrib/rl/DQN/README.md
+++ b/ACL_PyTorch/contrib/rl/DQN/README.md
@@ -5,8 +5,6 @@
- [输入输出数据](#section540883920406)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -66,20 +64,6 @@ DQN其实是深度学习和强化学习知识的结合，也就是用Deep Networ
| action |2 or 3 | FLOAT32 | N |
-# 推理环境准备\[所有版本\]
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
-| 配套 | 版本 | 环境准备指导 |
-| ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-| 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN | 5.1.RC2 | - |
-| Python | 3.7.5 | - |
-| PyTorch | 1.5.0 | - |
-
-
# 快速上手
## 获取源码
@@ -216,7 +200,7 @@ DQN其实是深度学习和强化学习知识的结合，也就是用Deep Networ
```
mkdir result
- python3.7 -m ais_bench --model=dqn_bs1.om --input bin_path --output result --outfmt BIN --batchsize 1
+ python3 -m ais_bench --model=dqn_bs1.om --input bin_path --output result --outfmt BIN --batchsize 1
```
- 参数说明
@@ -233,7 +217,7 @@ DQN其实是深度学习和强化学习知识的结合，也就是用Deep Networ
进行后处理并将处理得到的数据进行精度对比
```
- python3.7 dqn_postprocess.py --pth-path='dqn.pth' --state-path='state_path' --outbin-path='result/2022_11_8_23_23_50' --num=20
+ python3 dqn_postprocess.py --pth-path='dqn.pth' --state-path='state_path' --outbin-path='result/2022_11_8_23_23_50' --num=20
```
- 参数说明：
@@ -248,7 +232,7 @@ DQN其实是深度学习和强化学习知识的结合，也就是用Deep Networ
可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
```
- python3.7 -m ais_bench --model=dqn_bs1.om --loop=20 --batchsize 1
+ python3 -m ais_bench --model=dqn_bs1.om --loop=20 --batchsize 1
```
- 参数说明
diff --git a/ACL_PyTorch/contrib/rl/c51/README.md b/ACL_PyTorch/contrib/rl/c51/README.md
index d3615beee9f85b57730cc2cac70a85f5ecc36937..72c26689f1e47b9580c0a7e78e6f447484bb740a 100644
--- a/ACL_PyTorch/contrib/rl/c51/README.md
+++ b/ACL_PyTorch/contrib/rl/c51/README.md
@@ -5,8 +5,6 @@
- [输入输出数据](#section540883920406)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
- [快速上手](#ZH-CN_TOPIC_0000001126281700)
- [获取源码](#section4622531142816)
@@ -56,20 +54,6 @@ C51是一种值分布强化学习算法，C51算法的框架依然是DQN算法
| -------- | -------- | ---------- | ------------ |
| output | FLOAT32 | 1 x 4 x 51 | ND |
-
-# 推理环境准备
-
-- 该模型需要以下插件与驱动
-
- **表 1** 版本配套表
-
-| 配套 | 版本 | 环境准备指导 |
-| ---------- | ------- | ----------------------- |
-| 固件与驱动 | 22.0.2 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN | 6.0.0 | - |
-| Python | 3.7.5 | - |
-| PyTorch | 1.8.0 | - |
-
# 快速上手
## 获取源码