摘要：在做基于Ascend CL模型推理时，通常使用的有OpenCV、AIPP、DVPP这三种方式，或者是它们的混合方式，本文比较了这三种方式的特点，并以Resnet50的pytorch模型为例，结合训练营提供的sample，说明了分别是如何实现预处理的。
本文分享自华为云社区《【2023 · CANN训练营第一季】——模型推理时数据预处理方法及归一化参数计算》，作者： dayao。
对待推理图片执行模型推理前，需要对图片进行预处理，以满足模型的输入要求。我们可以通过阅读模型训练代码，查看预处理的方法。在做基于Ascend CL模型推理时，通常使用的有OpenCV、AIPP、DVPP这三种方式，或者是它们的混合方式，本文比较了这三种方式的特点，并以Resnet50的pytorch模型为例，结合训练营提供的sample，说明了分别是如何实现预处理的。本文还介绍了AIPP做减均值/乘系数的参数是如何计算的。
这一步对我这样的新手有些难度，在训练营可以直接问授课老师，或者是无所不晓的老班（帅高），亦或是无所不能的小助手
以Resnet50的pytorch模型为例，这里模型需要的数据预处理方法，再讲述两种查找方法。
Resnet50模型，需要对待推理图片的数据预处理是：缩放到224*224；以RGB的顺序存放；对像素/255.0，变换到[0.0，1.0]范围内；再按三个通道，分别做减均值，乘系数的运算，三个通道的均值是[0.485, 0.456, 0.406]，对应系数分别是：[0.229, 0.224, 0.225]。
1、方法一：在昇腾官方的modelzoo去查。https://gitee.com/ascend/modelzoo
然后选择用于训练的模型PyTorch目录
在搜索框中，输入Resnet50，找到对应的模型文件
然后在modelarts / train_start.py里查到的处理代码如下：
2、方法二：到pytorch官网去查
确定好了输入图片需要做哪些预处理，接下来就需要选择合适的实现方式。Ascend CL常用的有三种：Opencv、AIPP、DVPP。这三种方式的特点如下表所示：
本次训练营，勤劳的小虎老师贴心的给大家准备了三种方式，供大家学习和掌握。代码在：https://gitee.com/ascend/samples/tree/master/inference/modelInference。分别是：纯open CV；CV+AIPP；DVPP+AIPP。如下表所示：
Pytorch官方的计算方法：
1、将图像数据调整到[0.0, 1.0]之间，相当于（/255.0）——torchvision.transforms.ToTensor
2、将数据x = (x - mean(x))/std(x)——torchvision.transforms.Normalize
用数学公式表达：
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）：计算输出值；
pixel_in_chx(i)：原始像素值，取值范围[0, 255]；
mean_i：均值，3个颜色通道分别取：[0.485, 0.456, 0.406]
std_i：系数，3个颜色通道分别取：[0.229, 0.224, 0.225]
AIPP减均值乘系数的计算公式：
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）：计算输出值；
pixel_in_chx(i)：原始像素值，取值范围[0, 255]；
mean_chn_i表示每个通道的均值；
min_chn_i表示每个通道的最小值；
var_reci_chn表示每个通道方差的倒数
mean_chn_i和min_chn_i可以任意使用1个，另一个为0。令mean_chn_i=0，
公式一和公式二的像素经过计算后的值相等，所以公式的右边也相等，计算可得出：
min_chn_i = mean_i*255
var_reci_chn = 1/(255*std_i)
三个通道的计算如下：
