--- title: moderntcn_ZG canonical_url: "https://www.modelscope.cn/models/AIBS/moderntcn_ZG" md_url: "https://www.modelscope.cn/models/AIBS/moderntcn_ZG.md" repository: AIBS/moderntcn_ZG last_updated: 2025-08-20 library_name: - pytorch frameworks: - pytorch downloads: 4 stars: 0 --- # moderntcn_ZG > moderntcn_ZG - AIBS 在 ModelScope 开源的模型。0moderntcn >模型原始工程，需要自行下载 weights >存放原始权重，需要自行下载 1scripts >若干脚本，用于保存AI编译器需要的模型、编译后仿真等功能 2compile >AI编译器编译模型时所需要的文件 3deploy >将AI编译器编译出的模型部署到硬件时需要的c++工程 - **Repository**: AIBS/moderntcn_ZG - **Downloads**: 4 - **Stars**: 0 - **Last updated**: 2025-08-20 Source: https://www.modelscope.cn/models/AIBS/moderntcn_ZG --- # moderntcn # 0. 文件结构说明 AI部署模型需要以下几部分文件 - 0_moderntcn >模型原始工程，需要自行下载 - weights >存放原始权重，需要自行下载 - 1_scripts >若干脚本，用于保存AI编译器需要的模型、编译后仿真等功能 - 2_compile >AI编译器编译模型时所需要的文件 - 3_deploy >将AI编译器编译出的模型部署到硬件时需要的c++工程 # 1. python工程准备 ## 1. **模型来源：** - code：https://gitee.com/mxh-spiger/custom_model.git - branch：master - commit_id：8bcd8e1 - weights：https://download.fdwxhb.com/data/04_FMSH-100AI/100AI/04_modelzoo/modelzoo_pub/weights/pytorch/moderntcn/ ## 2. **保存模型** **目的：将模型保存成可以被AI编译器编译的形态** 1）根据模型来源中的地址下载，或者使用Moderntcn工程进行训练，下载或者训练完成后，将weights存放于 `/checkpoints`文件夹中
注意： * 有时开源的weights url可能会变更。如果上述weights url失效，请根据原工程相应的branch以及commit版本寻找正确的下载链接 * 若上述weights url永久失效，请联系本模型库相关人员获取权限下载
2）根据模型来源中的地址，下载指定commit id版本的源代码，文件夹名称要设置为：0_moderntcn，同时按照训练代码readme文件中dataset项下载相关数据集，解压至工程dataset文件夹下 ```shell # 在此模型根目录 mkdir 0_moderntcn git clone -b master https://gitee.com/mxh-spiger/custom_model.git cd Moderntcn git checkout 8bcd8e1 ``` 将Moderntcn内容拷贝至0_moderntcn文件夹下 3）进入1_scripts执行保存模型脚本,此时csv数据会被处理成ftmp数据，保存在qset以及3_deploy下的io文件夹中，用于后续量化、测试,其他脚本的允许也需添加下列参数。 ```shell # 在此模型根目录,以预测模型为例 cd 1_scripts python 1_save.py --task_name long_term_forecast --is_training 0 --model_id ETTh1 --model ModernTCN --root_path ../0_moderntcn/ModernTCN-Long-term-forecasting/all_datasets/ETT-small --data_path ETTh1.csv --data ETTh1 --features M --seq_len 336 --pred_len 96 --ffn_ratio 1 --patch_size 8 --patch_stride 4 --num_blocks 1 --large_size 51 --small_size 5 --dims 64 64 64 64 --head_dropout 0.0 --enc_in 7 --dropout 0.3 --itr 1 --train_epochs 100 --batch_size 1 --patience 20 --learning_rate 0.0001 --des Exp --lradj type3 --use_multi_scale False --small_kernel_merged False ``` **1_scripts提供脚本说明：** - **环境要求：**AI compiler对**导出框架模型时**使用的**框架版本**有要求。既以下脚本中所有导出模型的脚本`1_save.py `，必须在要求的框架版本下执行，其他脚本不限制。要求的版本： - **pytorch**：支持pytorch1.9.0、pytorch2.0.1两个版本的原生网络模型文件（.pt格式），以及pytorch框架保存为onnx（opset=17）格式的模型文件（.onnx格式） - **paddle**：仅支持PaddlePaddle框架保存为onnx（opset=11）格式的模型文件（.onnx格式），不支持框架原生网络模型文件 - **darknet**：支持Darknet框架原生网络模型[GitHub - pjreddie/darknet: Convolutional Neural Networks](https://github.com/pjreddie/darknet) - 0_infer.py >可以推理一张图并得到最终结果，模型原始权重会从 `/weights `中寻找，需要您预先下载 - 1_save.py >保存模型，保存好的用于AI编译器的模型，会存放在 `/2_compile/fmodel` - 2_save_infer.py >用修改后保存的模型做前向推理，验证保存的模型与原模型是否一致 # 2.**编译环境准备** 请参考[2.1Windows编译环境准备](https://gitee.com/mxh-spiger/tutorial-runtime/tree/rt3.0.0)进行精度测试环境配置。 - os: windows - [cmake3.28](https://github.com/Kitware/CMake/releases/download/v3.28.1/cmake-3.28.1-windows-x86_64.msi) - [visualstudio2022](https://visualstudio.microsoft.com/zh-hans/thank-you-downloading-visual-studio/?sku=Community&channel=Release&version=VS2022&source=VSLandingPage&passive=false&cid=2030) # 3.使用AI编译器编译模型 目的： 使用[Icraft AI编译器](https://gitee.com/mxh-spiger/icraft-introduction.git)将上一步保存好的**框架模型**转化为**硬件可部署模型** - **1）相关命名说明：** 1）**fmodel**：frame model >用于ai编译器的框架模型 2）**imodel**：icraft model >用icraft编译出的模型 3）**qtset**：Quantitative Calibration Set >量化校准集 - **2）确认已安装正确的icraft版本** 检查方法：打开cmd运行：`icraft --version` 若已正常安装则会显示当前icraft版本，例如： ``` Icraft 版本: * 3.30.0 CLI 版本: 3.30.0.0-4be6386(2503281652) ``` - **3）执行编译：** 1. **在 `/2_compile`目录下执行编译：** ```shell icraft compile config/moderntcn_ltf_zg.toml ``` 其中包括编译各阶段产生的中间结果模型和最终用于片上部署的ZG模型，直接被保存到: 3_deploy/modelzoo/moderntcn/imodel,但目前对于该网络。近支持到量化仿真阶段。 # 4. 部署模型 该demo下网络目前只支持ZG网络的量化阶段仿真推理 ## C++ runtime: 1.**仿真：** 通过配置3_deploy/modelzoo/moderntcn/cfg/中yaml文件的run_backend字段为host实现模型仿真 ```json imodel: ... run_backend: host ... ``` **编译、执行运行时程序** ```shell cd 3_deploy/modelzoo/moderntcn mkdir build_win cd build_win cmake .. cmake --build . --config Release ./Release/moderntcn.exe ../cfg/moderntcn_ltf.yaml ``` 注意：如果使用visualstudio打开sln进行调试，需要右键工程-属性-调试-环境中配置`./Release/moderntcn.exe ../cfg/moderntcn_ltf.yaml` # 5. 精度测试 1. **数据集准备** * 若正确运行/1_scripts文件夹下代码，测试数据集已被处理为ftmp格式保存在`3_deploy\modelzoo\moderntcn\io\input` * 如需测试其他数据集，请参考`/1_scripts/1_save.py`文件。需自行将输入进行预处理，并存放于`3_deploy\modelzoo\moderntcn\io\input`,并准备对应的input.txt 2. **精度测试** 使用moderntcn.yaml进行精度测试，执行以下命令 ```shell ./Release/moderntcn.exe ../cfg/moderntcn_ltf.yaml ``` 注意：如果使用visualstudio打开sln进行调试，需要右键工程-属性-调试-环境中配置`./Release/moderntcn.exe ../cfg/moderntcn_ltf.yaml` # 6. 模型性能记录 | moderntcn_ltf | input shape | hard time | qt_strategy | mae | mse | | ------------- | ----------- | --------- | ----------- | -------- | -------- | | float | [1, 336, 7] | - | - | 0.394449 | 0.368657 | | fp16 | [1, 336, 7] | - | - | 0.386322 | 0.356652 |