更新resnet50工程

Doc/Tutorial_Cpp.md

@@ -106,4 +106,14 @@ ErrorCode Classifier::Classify(const std::vector<cv::Mat> &srcImages,std::vector
 - inputData表示MIGraphX的输入数据，inputData是一个映射关系，每个输入节点名都会对应一个输入数据，如果有多个输入，则需要为每个输入节点名创建数据，inputName表示输入节点名，migraphx::argument{inputShape, (float*)inputBlob.data}表示该节点名对应的数据，这里是通过前面预处理的数据inputBlob来创建的，第一个参数表示数据的shape，第二个参数表示数据指针。
 - net.eval(inputData)返回模型的推理结果，由于这里只有一个输出节点，所以std::vector中只有一个数据，results[0]表示第一个输出节点，这里对应resnetv24_dense0_fwd节点，获取输出数据。
 
+另外，如果想要指定输出节点，可以在eval()方法中通过提供outputNames参数来实现：
 
+```
+...
+// 推理
+std::vector<std::string> outputNames = {"resnetv24_dense0_fwd"}
+std::vector<migraphx::argument> results = net.eval(inputData, outputNames);
+...
+```
+
+- 如果没有指定outputName参数，则默认输出所有输出节点，此时输出节点的顺序与ONNX中输出节点顺序保持一致，可以通过netron查看ONNX文件的输出节点的顺序。  
\ No newline at end of file

Doc/Tutorial_Python.md

@@ -86,7 +86,7 @@ if __name__ == '__main__':
     numberOfOutput=outputShape.elements()  # 输出节点元素的个数
 
     # 获取分类结果
-    result=np.array(result)
+    print(np.array(result))
 ```
 
 - Preprocessing()函数返回输入数据（numpy类型），然后通过{inputName: migraphx.argument(image)}构造一个字典输入模型执行推理，如果模型有多个输入，则在字典中需要添加多个输入数据。

Python/Classifier.py

@@ -3,6 +3,7 @@
 分类器示例
 """
 
+import argparse
 import cv2
 import numpy as np
 import migraphx
@@ -44,11 +45,26 @@ def Preprocessing(pathOfImage):
     return norm_img_data
 
 if __name__ == '__main__':
+    
+    # 设置最大输入shape
+    maxInput={"data":[1,3,224,224]}
+
     # 加载模型
-    model = migraphx.parse_onnx("../Resource/Models/resnet50-v2-7.onnx")
-    inputName=model.get_parameter_names()[0]
-    inputShape=model.get_parameter_shapes()[inputName].lens()
-    print("inputName:{0} \ninputShape:{1}".format(inputName,inputShape))
+    model = migraphx.parse_onnx("../Resource/Models/resnet50-v2-7.onnx", map_input_dims=maxInput)
+
+    # 获取模型输入/输出节点信息
+    print("inputs:")
+    inputs = model.get_inputs()
+    for key,value in inputs.items():
+        print("{}:{}".format(key,value))
+    
+    print("outputs:")
+    outputs = model.get_outputs()
+    for key,value in outputs.items():
+        print("{}:{}".format(key,value))
+
+    inputName="data"
+    inputShape=inputs[inputName].lens()
 
     # 编译
     model.compile(t=migraphx.get_target("gpu"),device_id=0) # device_id: 设置GPU设备，默认为0号设备
@@ -58,7 +74,7 @@ if __name__ == '__main__':
     image = Preprocessing(pathOfImage)
 
     # 推理
-    results = model.run({inputName: image}) # 推理结果，list类型
+    results = model.run({inputName:image}) # 推理结果，list类型
 
     # 获取输出节点属性
     result=results[0] # 获取第一个输出节点的数据,migraphx.argument类型
@@ -67,6 +83,4 @@ if __name__ == '__main__':
     numberOfOutput=outputShape.elements() # 输出节点元素的个数
 
     # 获取分类结果
-    result=np.array(results[0])
-
-    print(result)
\ No newline at end of file
+    print(np.array(result))
\ No newline at end of file

Src/Classifier.cpp

@@ -43,19 +43,34 @@ ErrorCode Classifier::Initialize(InitializationParameterOfClassifier initializat
     useInt8=(bool)(int)netNode["UseInt8"];
     useFP16=(bool)(int)netNode["UseFP16"];
 
+    // 设置最大输入shape
+    migraphx::onnx_options onnx_options;
+    onnx_options.map_input_dims["data"]={1,3,224,224};
+
     // 加载模型
     if(Exists(modelPath)==false)
     {
         LOG_ERROR(stdout,"%s not exist!\n",modelPath.c_str());
         return MODEL_NOT_EXIST;
     }
-    net = migraphx::parse_onnx(modelPath);
+    net = migraphx::parse_onnx(modelPath, onnx_options);
     LOG_INFO(stdout,"succeed to load model: %s\n",GetFileName(modelPath).c_str());
 
-    // 获取模型输入属性
-    std::unordered_map<std::string, migraphx::shape> inputMap=net.get_parameter_shapes();
-    inputName=inputMap.begin()->first;
-    inputShape=inputMap.begin()->second;
+    // 获取模型输入/输出节点信息
+    std::cout<<"inputs:"<<std::endl;
+    std::unordered_map<std::string, migraphx::shape> inputs=net.get_inputs();
+    for(auto i:inputs)
+    {
+        std::cout<<i.first<<":"<<i.second<<std::endl;
+    }
+    std::cout<<"outputs:"<<std::endl;
+    std::unordered_map<std::string, migraphx::shape> outputs=net.get_outputs();
+    for(auto i:outputs)
+    {
+        std::cout<<i.first<<":"<<i.second<<std::endl;
+    }
+    inputName=inputs.begin()->first;
+    inputShape=inputs.begin()->second;
     int N=inputShape.lens()[0];
     int C=inputShape.lens()[1];
     int H=inputShape.lens()[2];