pt2tf工具评审意见修改

pt2tf/README.md

@@ -17,25 +17,34 @@
    sudo pip3 install --upgrade pip -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
    ```
 
+4. 已经安装tensorflow、keras和pytorch
+
+   当前昇腾平台支持tensorflow 1.15，考虑后继pb模型转om，tensorflow版本推荐1.15及之前版本。tensorflow 1.15版本需要源码编译安装；使用pip命令直接安装时可以1.15之前的版本，以1.14为例：
+
+   ```
+   sudo pip3 install tensorflow==1.14.0 -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
+   ```
+
+   对应的keras版本为2.2.5，安装命令：
+
+   ```
+   sudo pip3 install keras==2.2.5 -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
+   ```
+
+   pytorch版本只要适配待转换的pytorch模型即可。pytorch的安装可以参考官网：https://pytorch.org/get-started/locally/
+
 ## 预置条件
 
-pytorch模型pth文件。pytorch的模型文件有两种：
-
-1. 模型保存有网络结构和权重参数。需要在训练时使用如下接口保存模型：
+1.pytorch模型文件。pytorch模型保存有两种，一种是保存有权重参数和网络结构，另外一种是指保存权重参数。本工具只支持保存权重参数的模型文件，模型保存接口示例：
 
    ```
-   torch.save(model_object,'resnet.pth')
+torch.save(my_resnet.state_dict(),"my_resnet.pth")
    ```
 
-2. 只保存模型权重参数。在训练时使用如下接口保存模型：
-
-   ```
-   torch.save(my_resnet.state_dict(),"my_resnet.pth")
-   ```
-
-本工具两种模型的转换都支持，但是如果模型只有权重参数，则在转换时还需要完整的模型实现代码
+2.模型实现代码。权重参数模型加载时，需要使用模型创建接口创建模型，作为模型加载的参数，所以需要模型实现代码。
 
 ## 工具获取
+
 **方法1. 下载压缩包方式获取**
 
 将 https://gitee.com/ascend/tools 仓中的脚本下载至服务器的任意目录。
@@ -55,31 +64,12 @@ pytorch模型pth文件。pytorch的模型文件有两种：
 ### 1. 安装工具依赖包   
 
     cd $HOME/AscendProjects/tools/pt2tf/
-    sudo pip3 install -r requirements.txt
+    sudo pip3 install -e onnx-tensorflow
 
 ### 2. pth模型文件转onnx
-pt2tf工具对pytorch的两种模型转onnx都支持。如果是包含完备信息（网络结构和权重参数）的模型，仅仅需要模型文件即可；如果是仅包含权重参数的模型，则还需要模型的实现代码。
-
-#### 2.1 包含网络结构和权重参数的模型转onnx
-
-在pt2tf工具目录下执行pt2onnx.py脚本，例如:
-
-    ```
-    python3 pt2onnx.py --model_path="./resnet50_model.pth" --input_shape=1 3 224 224
-    ```
-参数说明：
-
---model_path：pytorch模型路径
-
---input_shape: 模型输入 shape
-
-执行脚本后，会在pytorch模型同一目录下生成onnx文件，文件名和pytorch模型名一致, 后缀为onnx
-
-#### 2.2 权重参数模型文件转onnx
-
 1. 将pytorch模型和实现源码拷贝到pt2tf目录下
 
-2. 使用vim或者文本工具打开pt2onnx.py，修改load_weight_model函数。以resnet50模型为例，修改点如下：
+2. 使用vim或者文本工具打开pt2onnx.py，修改load_model函数。以resnet50模型为例，修改点如下：
 
    （1）导入模型实现文件：
 
@@ -100,24 +90,27 @@ pt2tf工具对pytorch的两种模型转onnx都支持。如果是包含完备信
 
    ```
    #修改点3:训练好的模型路径
-   model.load_state_dict(torch.load(model_file))
+   model.load_state_dict(torch.load(model_path))
    ```
 
    综上，完整的load_weight_model代码：  
-   
-	    def load_weight_model(model_file):
-	        from resnet50.resnet import ResNet50
-	    
-	        model = ResNet50()
-	    
-	        model.load_state_dict(torch.load(model_file))
-	    
-	        return model
+
+       def load_model(model_path, input_shape):
+           if not os.path.exists(model_path):
+               print("The pytorch model is not exist")
+               return None
+           from resnet50.resnet import ResNet50
+       
+           model = ResNet50()
+       
+           model.load_state_dict(torch.load(model_path))
+       
+           return model
 
 3. 执行转换脚本
 
    ```
-   python3 pt2onnx.py --model_type=1 --model_path="./resnet50_model.pth" --input_shape=1 3 224 224
+   python3 pt2onnx.py --model_path="./resnet50/models/resnet50_best.pth" --input_shape=1 3 224 224
    ```
 
 ​       参数说明：
@@ -128,9 +121,23 @@ pt2tf工具对pytorch的两种模型转onnx都支持。如果是包含完备信
 
 ​       --input_shape: 模型输入 shape
 
+如果执行成功，将在pytorch目录下生成onnx文件，文件名和pytorch模型文件名一致，例如./resnet50/models/resnet50_best.onnx
+
 ### 3.使用 onnx-tf工具将onnx转为 pb
 
 执行命令
 
-    onnx-tf convert -i ./resnet50/model_resnet.onnx -o ./resnet50/model_resnet.pb
+    onnx-tf convert -i ./resnet50/models/resnet50_best.onnx -o ./resnet50/resnet50_best.pb
+
+参数说明：
+
+-i：onnx文件路径
+
+-o: 输出的pb模型文件
+
+onnx-tf convert的参数说明详见帮助：
+
+```
+onnx-tf convert --help
+```