函数原型
参数介绍
mode (torch.nn.Module, torch.jit.ScriptModule or torch.jit.ScriptFunction)
需要转换的模型,支持的模型类型有:torch.nn.Module, torch.jit.ScriptModule or torch.jit.ScriptFunction
args (tuple or torch.Tensor)
args可以被设置成三种形式
1.一个tuple
1
|
args = (x, y, z) |
这个tuple应该与模型的输入相对应,任何非Tensor的输入都会被硬编码入onnx模型,所有Tensor类型的参数会被当做onnx模型的输入。
2.一个Tensor
1
|
args = torch.Tensor([ 1 , 2 , 3 ]) |
一般这种情况下模型只有一个输入
3.一个带有字典的tuple
1
2
3
|
args = (x, { 'y' : input_y, 'z' : input_z}) |
这种情况下,所有字典之前的参数会被当做“非关键字”参数传入网络,字典种的键值对会被当做关键字参数传入网络。如果网络中的关键字参数未出现在此字典中,将会使用默认值,如果没有设定默认值,则会被指定为None。
NOTE:
一个特殊情况,当网络本身最后一个参数为字典时,直接在tuple最后写一个字典则会被误认为关键字传参。所以,可以通过在tuple最后添加一个空字典来解决。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
#错误写法: torch.onnx.export( model, (x, # WRONG: will be interpreted as named arguments {y: z}), "test.onnx.pb" ) # 纠正 torch.onnx.export( model, (x, {y: z}, {}), "test.onnx.pb" ) |
f
一个文件类对象或一个路径字符串,二进制的protocol buffer将被写入此文件
export_params (bool, default True)
如果为True则导出模型的参数。如果想导出一个未训练的模型,则设为False
verbose (bool, default False)
如果为True,则打印一些转换日志,并且onnx模型中会包含doc_string信息。
training (enum, default TrainingMode.EVAL)
枚举类型包括:
TrainingMode.EVAL - 以推理模式导出模型。
TrainingMode.PRESERVE - 如果model.training为False,则以推理模式导出;否则以训练模式导出。
TrainingMode.TRAINING - 以训练模式导出,此模式将禁止一些影响训练的优化操作。
input_names (list of str, default empty list)
按顺序分配给onnx图的输入节点的名称列表。
output_names (list of str, default empty list)
按顺序分配给onnx图的输出节点的名称列表。
operator_export_type (enum, default None)
默认为OperatorExportTypes.ONNX, 如果Pytorch built with DPYTORCH_ONNX_CAFFE2_BUNDLE,则默认为OperatorExportTypes.ONNX_ATEN_FALLBACK。
枚举类型包括:
OperatorExportTypes.ONNX - 将所有操作导出为ONNX操作。
OperatorExportTypes.ONNX_FALLTHROUGH - 试图将所有操作导出为ONNX操作,但碰到无法转换的操作(如onnx未实现的操作),则将操作导出为“自定义操作”,为了使导出的模型可用,运行时必须支持这些自定义操作。支持自定义操作方法见链接。
OperatorExportTypes.ONNX_ATEN - 所有ATen操作导出为ATen操作,ATen是Pytorch的内建tensor库,所以这将使得模型直接使用Pytorch实现。(此方法转换的模型只能被Caffe2直接使用)
OperatorExportTypes.ONNX_ATEN_FALLBACK - 试图将所有的ATen操作也转换为ONNX操作,如果无法转换则转换为ATen操作(此方法转换的模型只能被Caffe2直接使用)。例如:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
# 转换前: graph( % 0 : Float ): % 3 : int = prim::Constant[value = 0 ]() # conversion unsupported % 4 : Float = aten::triu( % 0 , % 3 ) # conversion supported % 5 : Float = aten::mul( % 4 , % 0 ) return ( % 5 ) # 转换后: graph( % 0 : Float ): % 1 : Long () = onnx::Constant[value = { 0 }]() # not converted % 2 : Float = aten::ATen[operator = "triu" ]( % 0 , % 1 ) # converted % 3 : Float = onnx::Mul( % 2 , % 0 ) return ( % 3 ) |
opset_version (int, default 9)
默认是9。值必须等于_onnx_main_opset或在_onnx_stable_opsets之内。具体可在torch/onnx/symbolic_helper.py中找到。例如:
1
2
3
4
5
6
7
|
_default_onnx_opset_version = 9 _onnx_main_opset = 13 _onnx_stable_opsets = [ 7 , 8 , 9 , 10 , 11 , 12 ] _export_onnx_opset_version = _default_onnx_opset_version |
do_constant_folding (bool, default False)
是否使用“常量折叠”优化。常量折叠将使用一些算好的常量来优化一些输入全为常量的节点。
example_outputs (T or a tuple of T, where T is Tensor or convertible to Tensor, default None)
当需输入模型为ScriptModule 或 ScriptFunction时必须提供。此参数用于确定输出的类型和形状,而不跟踪(tracing )模型的执行。
dynamic_axes (dict<string, dict<python:int, string>> or dict<string, list(int)>, default empty dict)
通过以下规则设置动态的维度:
KEY(str) - 必须是input_names或output_names指定的名称,用来指定哪个变量需要使用到动态尺寸。
VALUE(dict or list) - 如果是一个dict,dict中的key是变量的某个维度,dict中的value是我们给这个维度取的名称。如果是一个list,则list中的元素都表示此变量的某个维度。
具体可参考如下示例:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
|
class SumModule(torch.nn.Module): def forward( self , x): return torch. sum (x, dim = 1 ) # 以动态尺寸模式导出模型 torch.onnx.export(SumModule(), (torch.ones( 2 , 2 ),), "onnx.pb" , input_names = [ "x" ], output_names = [ "sum" ], dynamic_axes = { # dict value: manually named axes "x" : { 0 : "my_custom_axis_name" }, # list value: automatic names "sum" : [ 0 ], }) ### 导出后的节点信息 ##input input { name: "x" ... shape { dim { dim_param: "my_custom_axis_name" # axis 0 } dim { dim_value: 2 # axis 1 ... ##output output { name: "sum" ... shape { dim { dim_param: "sum_dynamic_axes_1" # axis 0 ... |
keep_initializers_as_inputs (bool, default None)
NONE
custom_opsets (dict<str, int>, default empty dict)
NONE
Torch.onnx.export执行流程:
1、如果输入到torch.onnx.export的模型是nn.Module类型,则默认会将模型使用torch.jit.trace转换为ScriptModule
2、使用args参数和torch.jit.trace将模型转换为ScriptModule,torch.jit.trace不能处理模型中的循环和if语句
3、如果模型中存在循环或者if语句,在执行torch.onnx.export之前先使用torch.jit.script将nn.Module转换为ScriptModule
4、模型转换成onnx之后,预测结果与之前会有稍微的差别,这些差别往往不会改变模型的预测结果,比如预测的概率在小数点之后五六位有差别。
总结
到此这篇关于Python torch.onnx.export用法详细介绍的文章就介绍到这了,更多相关Python torch.onnx.export用法内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家!
原文链接:https://blog.csdn.net/Dteam_f/article/details/122487634