本文主要讲解利用高通SNPE进行神经网络推理，主要参考：
文中是容器做的，在conda环境下做一样的，没问题，已跑通。
在anaconda环境中使用conda命令安装cuda、cudnn、tensorflow（-gpu）、pytorch
上面的帖子主要是介绍如何安装tensorflow-gpu对应的cuda 和 cudnn版本
在anaconda环境中使用conda命令安装cuda、cudnn、tensorflow（-gpu）、pytorch_conda安装cuda_溯水襄陵_的博客-CSDN博客
主要步骤：
一、SNPE服务器环境部署
二、tensorflow pb模型转化为dlc模型
三、服务器端利用SNPE推理
详细步骤前先说个疑问：
熟悉python的同学都喜欢利用conda建立虚拟环境，高通SNPE需要在虚拟环境中安装吗？说说我的理解，因为SNPE依赖于python的很多包，所以大体步骤可以先建立虚拟环境，然后下载高通SNPE，然后安装系统依赖和python依赖。
下面正式开始步骤：
使用高通SNPE 1.52.0
一、SNPE服务器环境部署
结合conda 环境使用，因为使用不同的python版本
本文安装snpe版本：1.52.0
1、预备动作：安装python虚拟环境，mysnpe，python版本为3.6（基于snpe的版本对应）
2、SNPE SDK下载链接：
https://developer.qualcomm.com/downloads/qualcomm-neural-processing-sdk-ai-v1520
需要注册才可以正常下载，下载完成后为.zip文件，snpe-1.52.0.zip
利用MobaXterm工具（只要能连接服务器即可），将压缩包上传到服务器指定目录，我的目录：/home/winner/workspace/tutor，将snpe-1.52.0.zip上传至该目录，解压zip包，生成snpe-1.52.0.2724文件夹。
3、
进入该目录，执行source bin/dependencies.sh命令，检查安装依赖包是否安装，如果缺少安装即可，成功安装后如下图，有些warning，不处理好像没啥问题；
执行source bin/check_python_depends.sh命令，检查python依赖包是否安装完整，安装完成后如下图，有些warning，不处理好像没啥问题；
4、安装tensorflow-gpu 2.3版本
参考：
在anaconda环境中使用conda命令安装cuda、cudnn、tensorflow（-gpu）、pytorch_conda安装cuda_溯水襄陵_的博客-CSDN博客
此处注意与snpe版本对应安装，此处是对应1.52.0版本
在mysnpe环境下安装
pip install tensorflow-gpu==2.3
conda install cudatoolkit=10.1（此处查看硬件是否支持，查看版本是否存在）
硬件是否支持：
执行nvidia-smi命令：
查看版本是否存在：
conda search cudatoolkit
conda install cudatoolkit=10.1安装成功后如下界面
conda search cudnn
conda install cudnn=7.6安装成功后如下界面
5、添加环境变量
添加SNPE_ROOT环境变量，
执行命令：
vim ~/.bashrc在文件末尾添加：
export SNPE_ROOT=/home/winner/workspace/tutor/snpe-1.52.0.2724
export TENSORFLOW_HOME=/home/winner/anaconda3/envs/mysnpe/lib/python3.6/site-packages/tensorflow/此处在文件末尾添加如下指令，可在新的shell窗口启动时自动加载执行：
source /home/winner/workspace/tutor/snpe-1.52.0.2724/bin/envsetup.sh -t /home/winner/anaconda3/envs/mysnpe/lib/python3.6/site-packages/tensorflow/其中：/home/winner/anaconda3/envs/mysnpe/lib/python3.6/site-packages/tensorflow/这个是tensorflow目录，可用命令：
pip show -f tensorflow-gpu | grep Location
/home/winner/workspace/tutor/snpe-1.52.0.2724/bin/envsetup.sh这个是文件envsetup.sh的绝对目录
6、测试是否安装成功
执行以下命令，显示如下图所示，则为成功：
snpe-tensorflow-to-dlc -h
上面完成表示已成功部署安装，以下是模型下载转化推理部分。
二、tensorflow pb模型转化为dlc模型
7、pb模型下载
新建空目录，inceptionv3
进入该目录，依次执行以下3条命令：
wget https://storage.googleapis.com/download.tensorflow.org/models/inception_v3_2016_08_28_frozen.pb.tar.gz
tar -zxvf inception_v3_2016_08_28_frozen.pb.tar.gz
mv inception_v3_2016_08_28_frozen.pb inception_v3.pb
8、pd转化为dlc格式
snpe-tensorflow-to-dlc -i inception_v3.pb -d input 1,299,299,3 --out_node InceptionV3/Predictions/Reshape_1信息较长，截图有部分省略，显示如下界面则为转化成功：
……
执行下述命令，可以看到，dlc文件已经成功生成：
ls -al
三、 服务器端利用SNPE推理
9、准备input数据 和 验证脚本，测试在服务器端是否可以用SNPE进行推理
依次执行以下3条指令：
python3 $SNPE_ROOT/models/inception_v3/scripts/setup_inceptionv3.py -a . -d
cp $SNPE_ROOT/models/inception_v3/data . -r
cp $SNPE_ROOT/models/inception_v3/scripts/show_inceptionv3_classifications.py .执行ls -al命令：
10、在当前Ubuntu 环境下用SNPE推理inception_v3
执行以下命令查看版本：
snpe-net-run –version
执行以下命令：
snpe-net-run --container inception_v3.dlc --input_list data/cropped/raw_list.txt
执行：
ls output -la
11、查看推理结果
python show_inceptionv3_classifications.py -i data/cropped/raw_list.txt -o output/ -l imagenet_slim_labels.txt
本文到此结束，主要知识点归纳：
- SNPE的安装；
- snpe-tensorflow-to-dlc 模型转化工具的使用；
- snpe-net-run 在Ubuntu环境下的inceptionv3模型是推理。