ICode9

精准搜索请尝试: 精确搜索
首页 > 其他分享> 文章详细

MxNet模型转换Onnx

2020-01-01 19:57:55  阅读:887  来源: 互联网

标签:MxNet Onnx 模型 params ONNX onnx model MXNet


MxNet模型导出ONNX模型
Open Neural Network Exchange (ONNX)为AI模型提供了一种开源的数据模型格式。它定义了一个可扩展的计算图模型,以及内置运算符和标准数据类型的定义。它可以作为各种AI模型之间进行转换的媒介,例如,市面上没有现成的Caffe模型到MxNet模型的转换工具,我们可以借助于ONNX,首先将Caffe转换为Onnx,然后再将Onnx转换为MxNet,更为神奇的是,这之间的转换过程不过丢失原有模型的精度。

在本教程中,我们将展示如何将MXNet模型保存为ONNX格式。MXNet-ONNX操作符的覆盖范围和特性定期更新。请访问 ONNX operator coverage以获取最新信息。在本教程中,我们将学习如何使用MXNet到ONNX的模型导出工具对预先训练的模型进行导出。

预备知识
要运行本教程,你需要安装以下python模块:

MXNet >= 1.3.0。注意,经测试使用下面的命令进行安装MXNET可用:PIP INSTALL MXNET==1.4.0 --USER

onnx。注意,经测试使用如下命令进行安装onnx可用:pip install onnx==1.2.1 --user

**注意:**MXNet-ONNX导入、导出工具遵循ONNX操作符集的第7版,该操作符集附带ONNX v1.2.1。

import mxnet as mx
import numpy as np
from mxnet.contrib import onnx as onnx_mxnet
import logging
logging.basicConfig(level=logging.INFO)

从MXNet Model Zoo下载一个模型
我们从MXNet Model Zoo.下载预训练的ResNet-18 ImageNet 模型。我们还将下载synset文件来匹配标签

# Download pre-trained resnet model - json and params by running following code.
path='http://data.mxnet.io/models/imagenet/'
[mx.test_utils.download(path+'resnet/18-layers/resnet-18-0000.params'),
mx.test_utils.download(path+'resnet/18-layers/resnet-18-symbol.json'),
mx.test_utils.download(path+'synset.txt')]

现在,我们已经在磁盘上下载了ResNet-18、params和synset文件。

MXNet到ONNX导出器API
让我们来描述MXNet的’ export_model ’ API。

help(onnx_mxnet.export_model)

Help on function export_model in module mxnet.contrib.onnx.mx2onnx.export_model:

export_model(sym, params, input_shape, input_type=<type 'numpy.float32'>, onnx_file_path=u'model.onnx', verbose=False)
Exports the MXNet model file, passed as a parameter, into ONNX model.
Accepts both symbol,parameter objects as well as json and params filepaths as input.
Operator support and coverage - https://cwiki.apache.org/confluence/display/MXNET/MXNet-ONNX+Integration

Parameters
----------
sym : str or symbol object
Path to the json file or Symbol object
params : str or symbol object
Path to the params file or params dictionary. (Including both arg_params and aux_params)
input_shape : List of tuple
Input shape of the model e.g [(1,3,224,224)]
input_type : data type
Input data type e.g. np.float32
onnx_file_path : str
Path where to save the generated onnx file
verbose : Boolean
If true will print logs of the model conversion

Returns
-------
onnx_file_path : str
Onnx file path

’ export_model ’ API可以通过以下两种方式之一接受MXNet模型。

MXNet sym, params对象:
如果我们正在训练一个模型,这是有用的。在训练结束时,我们只需要调用’ export_model '函数,并提供sym和params对象作为输入和其他属性,以将模型保存为ONNX格式。
MXNet导出的json和params文件:
如果我们有预先训练过的模型,并且希望将它们转换为ONNX格式,那么这是非常有用的。
由于我们已经下载了预训练的模型文件,我们将通过传递符号和params文件的路径来使用’ export_model ’ API。

如何使用MXNet到ONNXA导入、导出工具PI
我们将使用下载的预训练的模型文件(sym、params)并定义输入变量。

# 下载的输入符号和参数文件
sym = './resnet-18-symbol.json'
params = './resnet-18-0000.params'

# 标准Imagenet输入- 3通道,224*224
input_shape = (1,3,224,224)

# 输出文件的路径
onnx_file = './mxnet_exported_resnet50.onnx'

我们已经定义了’ export_model ’ API所需的输入参数。现在,我们准备将MXNet模型转换为ONNX格式

# 调用导出模型API。它返回转换后的onnx模型的路径
converted_model_path = onnx_mxnet.export_model(sym, params, [input_shape], np.float32, onnx_file)

这个API返回转换后的模型的路径,您稍后可以使用该路径将模型导入其他框架。

检验ONNX模型的有效性
现在我们可以使用ONNX检查工具来检查转换后的ONNX模型的有效性。该工具将通过检查内容是否包含有效的protobuf来验证模型:

from onnx import checker
import onnx

# Load onnx model
model_proto = onnx.load_model(converted_model_path)

# Check if converted ONNX protobuf is valid
checker.check_graph(model_proto.graph)

如果转换后的protobuf格式不符合ONNX proto规范,检查器将抛出错误,但在本例中成功通过。

该方法验证了导出模型原buf的有效性。现在,模型可以导入到其他框架中进行推理了!

标签:MxNet,Onnx,模型,params,ONNX,onnx,model,MXNet
来源: https://www.cnblogs.com/cloudrivers/p/12129606.html

本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享;
2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关;
3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关;
4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除;
5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有