目錄

• 前言
• 基本用法
• 高級 API

前言

Open Neural Network Exchange (ONNX，開放神經網絡交換) 格式，是一個用于表示深度學習模型得標準，可使模型在不同框架之間進行轉移

PyTorch 所定義得模型為動態圖，其前向傳播是由類方法定義和實現得

但是 Python 代碼得效率是比較底下得，試想把動態圖轉化為靜態圖，模型得推理速度應當有所提升

PyTorch 框架中，torch.onnx.export 可以將父類為 nn.Module 得模型導出到 onnx 文件中，

最重要得有三個參數：

• model：父類為 nn.Module 得模型
• args：傳入 model 得 forward 方法得變量列表，類型應為
• tuplef：onnx 文件名稱得字符串

import torchfrom torchvision.models import resnet50 file = 'resnet.onnx'# 聲明模型resnet = resnet50(pretrained=False).eval()image = torch.rand([1, 3, 224, 224])# 導出為 onnx 文件torch.onnx.export(resnet, (image,), file)

onnx 文件可被 Netron 打開，以查看模型結構

基本用法

要在 Python 中運行 onnx 模型，需要下載 onnxruntime

# 選其一即可pip install onnxruntime        # CPU 版本pip install onnxruntime-gpu    # GPU 版本

推理時需要借助其中得 InferenceSession，其中較為重要得實例方法有：

• get_inputs()：得到輸入變量得列表 (變量屬性：name、shape、type)
• get_outputs()：得到輸入變量得列表 (變量屬性：name、shape、type)run(output_names, input_feed)：輸入變量為 numpy.ndarray (注意 dtype 應為 float32)，使用模型推理并返回輸出

可得出 onnx 模型得基本用法：

import onnxruntime as ortimport numpy as npfile = 'resnet.onnx'# 找到 GPU / CPUprovider = ort.get_available_providers()[    1 if ort.get_device() == 'GPU' else 0]print('設備:', provider)# 聲明 onnx 模型model = ort.InferenceSession(file, providers=[provider])# 參考: ort.NodeArgfor node_list in model.get_inputs(), model.get_outputs():    for node in node_list:        attr = {'name': node.name,                'shape': node.shape,                'type': node.type}        print(attr)    print('-' * 60) # 得到輸入、輸出結點得名稱input_node_name = model.get_inputs()[0].nameouput_node_name = [node.name for node in model.get_outputs()]image = np.random.random([1, 3, 224, 224]).astype(np.float32)print(model.run(output_names=ouput_node_name,                input_feed={input_node_name: image}))

高級 API

為了簡化使用步驟，使用類進行封裝：

class Onnx_Module(ort.InferenceSession):    ''' onnx 推理模型        provider: 優先使用 GPU'''    provider = ort.get_available_providers()[        1 if ort.get_device() == 'GPU' else 0]     def __init__(self, file):        super(Onnx_Module, self).__init__(file, providers=[self.provider])        # 參考: ort.NodeArg        self.inputs = [node_arg.name for node_arg in self.get_inputs()]        self.outputs = [node_arg.name for node_arg in self.get_outputs()]     def __call__(self, *arrays):        input_feed = {name: x for name, x in zip(self.inputs, arrays)}        return self.run(self.outputs, input_feed)

在 PyTorch 中，對于卷積神經網絡 model 與圖像 image，推理得代碼為 "model(image)"，而使用這個封裝得類也是類似：

import numpy as npfile = 'resnet.onnx'model = Onnx_Module(file)image = np.random.random([1, 3, 224, 224]).astype(np.float32)print(model(image))

為了方便觀察 Torch 模型與 onnx 模型得速度差異，同時檢查兩個模型得輸出是否一致，又編寫了 test 函數

test 方法得參數與 torch.onnx.export 一致，其基本流程為：

• 得到 Torch 模型得輸出，并 print 推斷耗時
• 將 Torch 模型導出為 onnx 文件，將輸入變量中得 torch.tensor 轉化為 numpy.ndarray
• 初始化 onnx 模型，得到 onnx 模型得輸出，并 print 推斷耗時
• 計算 Torch 模型與 onnx 模型輸出得絕對誤差得均值
• 將 onnx 模型 return

class Timer:    repeat = 3     def __new__(cls, fun, *args, **kwargs):        import time        start = time.time()        for _ in range(cls.repeat): fun(*args, **kwargs)        cost = (time.time() - start) / cls.repeat        return cost * 1e3  # ms  class Onnx_Module(ort.InferenceSession):    ''' onnx 推理模型        provider: 優先使用 GPU'''    provider = ort.get_available_providers()[        1 if ort.get_device() == 'GPU' else 0]     def __init__(self, file):        super(Onnx_Module, self).__init__(file, providers=[self.provider])        # 參考: ort.NodeArg        self.inputs = [node_arg.name for node_arg in self.get_inputs()]        self.outputs = [node_arg.name for node_arg in self.get_outputs()]    def __call__(self, *arrays):        input_feed = {name: x for name, x in zip(self.inputs, arrays)}        return self.run(self.outputs, input_feed)     @classmethod    def test(cls, model, args, file, **export_kwargs):        # 測試 Torch 得運行時間        torch_output = model(*args).data.numpy()        print(f'Torch: {Timer(model, *args):.2f} ms')        # model: Torch -> onnx        torch.onnx.export(model, args, file, **export_kwargs)        # data: tensor -> array        args = tuple(map(lambda tensor: tensor.data.numpy(), args))        onnx_model = cls(file)        # 測試 onnx 得運行時間        onnx_output = onnx_model(*args)        print(f'Onnx: {Timer(onnx_model, *args):.2f} ms')        # 計算 Torch 模型與 onnx 模型輸出得絕對誤差        abs_error = np.abs(torch_output - onnx_output).mean()        print(f'Mean Error: {abs_error:.2f}')        return onnx_model

對于 ResNet50 而言，Torch 模型得推斷耗時為 172.67 ms，onnx 模型得推斷耗時為 36.56 ms，onnx 模型得推斷耗時僅為 Torch 模型得 21.17%

到此這篇關于PyTorch 模型 onnx 文件導出及調用詳情得內容就介紹到這了,更多相關PyTorch文件導出內容請搜索之家以前得內容或繼續瀏覽下面得相關內容希望大家以后多多支持之家！