pt2tf readme modify
This commit is contained in:
zxros10
Regular → Executable
+136
-128
@@ -1,128 +1,136 @@
|
||||
## 工具使用说明与扩展性介绍
|
||||
|
||||
### 1.Pytorch有两种模型保存方法
|
||||
|
||||
##### 1.1 保存整个神经网络的结构信息
|
||||
|
||||
- 该方法保存的模型通过torch.load('.pth')，直接初始化新的神经网络对象;
|
||||
|
||||
``*#保存模型*`
|
||||
|
||||
`torch.save(model_object,'resnet.pth')`
|
||||
|
||||
`*#加载模型*`
|
||||
|
||||
`model=torch.load('resnet.pth')`
|
||||
|
||||
##### 1.1 保存整个神经网络的结构信息
|
||||
|
||||
- 该方法保存的方式：首先是导入对应的网络，再通过net.load_state_dict(torch.load(’.pth’))完成模型参数的加载；
|
||||
|
||||
`*#将my_resnet模型存储为my_resnet.pth*`
|
||||
|
||||
`torch.save(my_resnet.state_dict(),"my_resnet.pth")`
|
||||
|
||||
`*#加载resnet，模型存放在my_resnet.pth* my_resnet.load_state_dict(torch.load("my_resnet.pth"))`
|
||||
|
||||
`*#其中my_resnet是my_resnet.pth对应的网络结构；*`
|
||||
|
||||
### 2.Pytorch载入只含模型参数pth文件
|
||||
|
||||
pth文件只保存网络中的参数，具有速度快，占空间少的优点，网上Pytorch实现的可供下载的预训练模型一般也是这种吗，加载并导出为onnx格式时还需要在继承 nn.Module 实现网络各Layer层，例如，下面的示例中使用Pytorch实现了一个Net。
|
||||
|
||||
```
|
||||
import torch
|
||||
import torch.nn as nn
|
||||
import torch.nn.functional as F
|
||||
|
||||
class CivilNet(nn.Module):
|
||||
def __init__(self):
|
||||
super(CivilNet, self).__init__()
|
||||
self.conv1 = nn.Conv2d(3, 6, 5)
|
||||
self.pool = nn.MaxPool2d(2, 2)
|
||||
self.conv2 = nn.Conv2d(6, 16, 5)
|
||||
self.fc1 = nn.Linear(16 * 5 * 5, 120)
|
||||
self.fc2 = nn.Linear(120, 84)
|
||||
self.fc3 = nn.Linear(84, 10)
|
||||
self.gemfield = "gemfield.org"
|
||||
self.syszux = torch.zeros([1,1])
|
||||
|
||||
def forward(self, x):
|
||||
x = self.pool(F.relu(self.conv1(x)))
|
||||
x = self.pool(F.relu(self.conv2(x)))
|
||||
x = x.view(-1, 16 * 5 * 5)
|
||||
x = F.relu(self.fc1(x))
|
||||
x = F.relu(self.fc2(x))
|
||||
x = self.fc3(x)
|
||||
return x
|
||||
```
|
||||
|
||||
##### 2.1 CivilNet模型的保存
|
||||
|
||||
如果我们要保存一个训练好的PyTorch模型的话，会使用下面的API：
|
||||
|
||||
```
|
||||
cn = CivilNet()
|
||||
......
|
||||
torch.save(cn.state_dict(), "your_model_path.pth")
|
||||
```
|
||||
|
||||
##### 2.1 CivilNet模型的加载
|
||||
|
||||
而如果我们要load一个pth模型来进行前向的时候，会使用下面的API：
|
||||
|
||||
```
|
||||
cn = CivilNet()
|
||||
|
||||
#参数反序列化为python dict
|
||||
state_dict = torch.load("your_model_path.pth")
|
||||
#加载训练好的参数
|
||||
cn.load_state_dict(state_dict)
|
||||
|
||||
#变成测试模式，dropout和BN在训练和测试时不一样
|
||||
#eval()会把模型中的每个module的self.training设置为False
|
||||
cn = cn.cuda().eval()
|
||||
```
|
||||
|
||||
### 3.pt2tf工具的使用简介
|
||||
|
||||
#1 建立虚拟环境 $ virtualenv .venv
|
||||
|
||||
\#2 激活虚拟环境 $ source .venv/bin/activate
|
||||
|
||||
\#3 安装依赖包 pipinstall−rrequirements.txtpipinstall−rrequirements.txt pip install -e onnx-tensorflow
|
||||
|
||||
\#4 生成onnx模型 $ python pt2onnx.py
|
||||
|
||||
\#5 生成pb模型 $ onnx-tf convert -i efficientnet-b3.onnx -o efficientnet-b3.pb
|
||||
|
||||
pth转pb文件的工具源码如下，开发者可以根据自己需要转换的模型进行改造，并将Pytorch中未内置而需自己实现的模型脚本上传到工程目录的models文件夹下
|
||||
|
||||
```
|
||||
import torch
|
||||
from efficientnet_pytorch import EfficientNet
|
||||
|
||||
# Specify which model to use
|
||||
model_name = 'efficientnet-b3'
|
||||
image_size = EfficientNet.get_image_size(model_name)
|
||||
print('Image size: ', image_size)
|
||||
|
||||
# Load model
|
||||
model = EfficientNet.from_pretrained(model_name)
|
||||
model.set_swish(memory_efficient=False)
|
||||
model.eval()
|
||||
print('Model image size: ', model._global_params.image_size)
|
||||
|
||||
# Dummy input for ONNX
|
||||
dummy_input = torch.randn(1, 3, 300, 300)
|
||||
|
||||
# Export with ONNX
|
||||
torch.onnx.export(model, dummy_input, f"{model_name}.onnx", verbose=True)
|
||||
```
|
||||
|
||||
- 第二行导入Pytorch中内置的网络模型EfficientNet(Pytorch内置模型中)
|
||||
- 若内置模型未实现，我们在models文件夹中继承nn.Module类实现我们的网络模型，可以参考第二章中的CivilNet网络样例
|
||||
- 通过模型脚本对象的from_pretrained接口来导入pth参数文件，加载模型与参数
|
||||
- 调用Pytorch的onnx模块将网络模型导出为onnx模型
|
||||
- 使用onnx-tensorflow模块将onnx模型转换为pb模型
|
||||
|
||||
中文|[EN](README_EN.md)
|
||||
|
||||
# pytorch模型转onnx工具
|
||||
|
||||
## 功能
|
||||
当前ATC工具只支持pb和caffe模型转om模型。如果需要使用pytorch模型转om模型，可以将pytorch模型转为onnx格式，再转为pb。本工具提供pytorch模型转onnx，以及onnx转pb功能。
|
||||
|
||||
## 使用环境
|
||||
1. 安装Ubuntu18.04的服务器或者虚拟机；
|
||||
|
||||
2. 服务器或者虚拟机内存大于等于4G；
|
||||
|
||||
3. 已经安装pip3。如未安装，可以执行如下命令安装：
|
||||
|
||||
```
|
||||
sudo apt-get install python3-pip
|
||||
sudo pip3 install --upgrade pip -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
|
||||
```
|
||||
|
||||
## 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：
|
||||
|
||||
```
|
||||
torch.save(model_object,'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
|
||||
|
||||
## 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。
|
||||
|
||||
例如存放路径为：$HOME/AscendProjects/tools。
|
||||
|
||||
**方法2. 命令行使用git命令方式获取**
|
||||
|
||||
在命令行中：$HOME/AscendProjects目录下执行以下命令下载代码。
|
||||
|
||||
git clone https://gitee.com/ascend/tools.git
|
||||
|
||||
|
||||
|
||||
## 使用方法
|
||||
|
||||
### 1. 安装工具依赖包
|
||||
|
||||
cd $HOME/AscendProjects/tools/pt2tf/
|
||||
sudo pip3 install -r requirements.txt
|
||||
|
||||
### 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：
|
||||
|
||||
（1）导入模型实现文件：
|
||||
|
||||
```
|
||||
#修改点1:导入模型代码.
|
||||
#例如:模型实现代码目录为./resnet50,网络实现在resnet.py的class ResNet50类
|
||||
from resnet50.resnet import ResNet50
|
||||
```
|
||||
|
||||
（2） 使用pytorch实例化模型对象
|
||||
|
||||
```
|
||||
#修改点2:创建模型对象
|
||||
model = ResNet50()
|
||||
```
|
||||
|
||||
（3）加载训练好的模型
|
||||
|
||||
```
|
||||
#修改点3:训练好的模型路径
|
||||
model.load_state_dict(torch.load(model_file))
|
||||
```
|
||||
|
||||
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
|
||||
|
||||
3. 执行转换脚本
|
||||
|
||||
```
|
||||
python3 pt2onnx.py --model_type=1 --model_path="./resnet50_model.pth" --input_shape=1 3 224 224
|
||||
```
|
||||
|
||||
参数说明：
|
||||
|
||||
--model_type: 模型类别，默认值为0，表示完备信息模型；1: 仅包含权重参数的模型
|
||||
|
||||
--model_path: pytorch模型存放路径
|
||||
|
||||
--input_shape: 模型输入 shape
|
||||
|
||||
### 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
|
||||
|
||||
|
||||
Reference in New Issue
Block a user