學習目標

1.掌握pytorch模型轉換到onnx模型

2.順利運行onnx模型

3.比對onnx模型和pytorch模型的輸出結果

學習大綱

• pytorch模型轉換onnx模型
• 運行onnx模型
• onnx模型輸出與pytorch模型比對

學習內容

前提條件：需要安裝onnx 和 onnxruntime，可以通過 pip install onnx 和 pip install onnxruntime 進行安裝

1 . pytorch 轉 onnx

pytorch 轉 onnx 只需要一個函數 torch.onnx.export

torch.onnx.export(model, args, path, export_params, verbose, input_names, output_names, do_constant_folding, dynamic_axes, opset_version)

參數說明：

• model——需要導出的pytorch模型
• args——模型的輸入參數，滿足輸入層的shape正確即可。
• path——輸出的onnx模型的位置。例如‘yolov5.onnx’。
• export_params——輸出模型是否可訓練。default=True，表示導出trained model，否則untrained。
• verbose——是否打印模型轉換信息。default=False。
• input_names——輸入節(jié)點名稱。default=None。
• output_names——輸出節(jié)點名稱。default=None。
• do_constant_folding——是否使用常量折疊（不了解），默認即可。default=True。
• dynamic_axes——模型的輸入輸出有時是可變的，如Rnn，或者輸出圖像的batch可變，可通過該參數設置。如輸入層的shape為（b，3，h，w），batch，height，width是可變的，但是chancel是固定三通道。
  格式如下 ：
  1)僅list(int) dynamic_axes={‘input’:[0,2,3],‘output’:[0,1]}
  2)僅dict<int, string> dynamic_axes={‘input’:{0:‘batch’,2:‘height’,3:‘width’},‘output’:{0:‘batch’,1:‘c’}}
  3)mixed dynamic_axes={‘input’:{0:‘batch’,2:‘height’,3:‘width’},‘output’:[0,1]}
• opset_version——opset的版本，低版本不支持upsample等操作。

import torch
import torch.nn
import onnx

model = torch.load('best.pt')
model.eval()

input_names = ['input']
output_names = ['output']

x = torch.randn(1,3,32,32,requires_grad=True)

torch.onnx.export(model, x, 'best.onnx', input_names=input_names, output_names=output_names, verbose='True')

2 . 運行onnx模型

檢查onnx模型，并使用onnxruntime運行。

import onnx
import onnxruntime as ort

model = onnx.load('best.onnx')
onnx.checker.check_model(model)

session = ort.InferenceSession('best.onnx')
x=np.random.randn(1,3,32,32).astype(np.float32)  # 注意輸入type一定要np.float32!!!!!
# x= torch.randn(batch_size,chancel,h,w)


outputs = session.run(None,input = { 'input' : x })

參數說明：

• output_names: default=None
  用來指定輸出哪些，以及順序
  若為None，則按序輸出所有的output，即返回[output_0,output_1]
  若為[‘output_1’,‘output_0’]，則返回[output_1,output_0]
  若為[‘output_0’]，則僅返回[output_0:tensor]
• input:dict
  可以通過session.get_inputs().name獲得名稱
  其中key值要求與torch.onnx.export中設定的一致

3.onnx模型輸出與pytorch模型比對

import numpy as np
np.testing.assert_allclose(torch_result[0].detach().numpu(),onnx_result,rtol=0.0001)

如前所述，經驗表明，ONNX 模型的運行效率明顯優(yōu)于原 PyTorch 模型，這似乎是源于 ONNX 模型生成過程中的優(yōu)化，這也導致了模型的生成過程比較耗時，但整體效率依舊可觀。

此外，根據對 ONNX 模型和 PyTorch 模型運行結果的統(tǒng)計分析（誤差的均值和標準差），可以看出 ONNX 模型的運行結果誤差很小、基本可靠。

內容參考：https://zhuanlan.zhihu.com/p/422290231

總結