pytorch转onnx及onnx运行详解

前几天博客根据基于pytorch编写了的网络，将其搭建转为wts，使用C++API搭建tensorrt的框架(查看博客点击这里)，然自己写C++API搭建网络会比较费时，为此本篇博客基于同一个网络，将其转换为onnx格式，并使用python调用onnx模型，不断尝试如何使用参数，如搭建输入动态变量或静态输入变量等关系。我将分为2部分，其一静态onnx搭建与调用，其二动态搭建与调用。

一.静态搭建onnx

直接调用torch.onnx.export函数，通过pth文件直接搭建，其中input_names可为每一层输入别名，且input_names中输入名input_data必须与onnx调用时候输入名称相同，如果是多输入，则为如下(input1,input2)方法，实际是input_name=(input1,input2),其中模型参数为forward(input1,input2)

torch.onnx.export(
        model,
        (input1,input2),
        "./trynet.onnx",
        verbose=True,
        input_names=input_names,
        output_names=output_names
    )

因其静态简单，直接给代码，如下：

def covert2onnx():
    # 定义静态onnx，若推理input_data格式不一致，将导致保存
    input_data = torch.randn(2, 3, 224, 224).cuda()
    model = torch.load(r'E:data_utilsTensorrtModeltrynet.pth').cuda()
    input_names = ["input_data"] + ["called_%d" % i for i in range(2)]
    output_names = ["output_data"]
    torch.onnx.export(
        model,
        input_data,
        "./trynet.onnx",
        verbose=True,
        input_names=input_names,
        output_names=output_names
    )

onnx调用方式,可通过以下代码调用，需注意以下几点：

①输入输出变量名必须与转onnx时确定的变量名相同

②保持静态输入shape

def runonnx():

    image = torch.randn(2, 3, 224, 224).cuda()
    session = onnxruntime.InferenceSession("./trynet.onnx")
    session.get_modelmeta()
    output2 = session.run(['output_data'], {"input_data": image.cpu().numpy()})
    print(output2[0].shape)

二.动态搭建onnx

动态搭建基本与静态搭建相同，其中相同部分我将不在解释，所谓动态，无非是想灵活输入，更改batchsize、图像高和宽，而想灵活输入，需修改dynamic_axes参数，其固定形式如下代码，其中input_data为输入变量名，其中{0: 'batch_size', 2 : 'in_width', 3: 'int_height'}为固定格式，需要更改哪个需使用字典指定，而output_data需要指定与input_data类似。

def covert2onnx_dynamic():
    # 动态onnx，推理可更改格式，如batch_size
    input_data = torch.randn(1, 3, 224, 224).cuda()
    model = torch.load(r'E:data_utilsTensorrtModeltrynet.pth').cuda()
    input_names = ["input_data"] + ["called_%d" % i for i in range(2)]
    output_names = ["output_data"]
    torch.onnx.export(
        model,
        input_data,
        "./trynet.onnx",
        verbose=True,
        input_names=input_names,
        output_names=output_names,
        dynamic_axes={"input_data": {0: 'batch_size', 2 : 'in_width', 3: 'int_height'},
                      }
    )

    # dynamic_axes={"input_data": {0: "batch_size"}, "output_data": {0: "batch_size"}} 只能更改batch_size

动态与静态搭建onnx模型代码参考如下：

from torch import nn

import struct
from torchsummary import summary
import torch
import torchvision

class trynet(nn.Module):

    def __init__(self):
        super(trynet, self).__init__()
        self.cov1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1)
        self.cov2 = nn.Conv2d(64, 2, kernel_size=3, stride=1, padding=1)

    def forward(self, x):
        x = self.cov1(x)
        x = self.cov2(x)

        return x


def infer():
    # print('cuda device count: ', torch.cuda.device_count())
    net = torch.load(r'E:data_utilsTensorrtModeltrynet.pth')
    # net = torch.load('./vgg.pth')

    net = net.cuda()
    net = net.eval()
    print('model: ', net)
    # print('state dict: ', net.state_dict().keys())
    tmp = torch.ones(1, 3, 24, 24).cuda()
    print('input: ', tmp)
    out = net(tmp)

    print('output:', out)

    # summary(net, (3, 224, 224))
    # return
    f = open("./trynet.wts", 'w')
    f.write("{}n".format(len(net.state_dict().keys())))
    for k, v in net.state_dict().items():
        print('key: ', k)
        print('value: ', v.shape)
        vr = v.reshape(-1).cpu().numpy()
        f.write("{} {}".format(k, len(vr)))
        for vv in vr:
            f.write(" ")
            f.write(struct.pack(">f", float(vv)).hex())
        f.write("n")


def main():
    print('cuda device count: ', torch.cuda.device_count())
    net = trynet()

    net = net.eval()
    net = net.cuda()

    tmp = torch.ones(1, 3, 24, 24).cuda()
    out = net(tmp)
    print('vgg out:', out.shape)
    torch.save(net, "./trynet.pth")


def covert2onnx():
    # 定义静态onnx，若推理input_data格式不一致，将导致保存
    input_data = torch.randn(2, 3, 224, 224).cuda()
    model = torch.load(r'E:data_utilsTensorrtModeltrynet.pth').cuda()
    input_names = ["input_data"] + ["called_%d" % i for i in range(2)]
    output_names = ["output_data"]
    torch.onnx.export(
        model,
        input_data,
        "./trynet.onnx",
        verbose=True,
        input_names=input_names,
        output_names=output_names
    )

def covert2onnx_dynamic():
    # 动态onnx，推理可更改格式，如batch_size
    input_data = torch.randn(1, 3, 224, 224).cuda()
    model = torch.load(r'E:data_utilsTensorrtModeltrynet.pth').cuda()
    input_names = ["input_data"] + ["called_%d" % i for i in range(2)]
    output_names = ["output_data"]
    torch.onnx.export(
        model,
        input_data,
        "./trynet.onnx",
        verbose=True,
        input_names=input_names,
        output_names=output_names,
        dynamic_axes={"input_data": {0: 'batch_size', 2 : 'in_width', 3: 'int_height'},
                      }
    )

    # dynamic_axes={"input_data": {0: "batch_size"}, "output_data": {0: "batch_size"}} 只能更改batch_size


if __name__ == '__main__':
    # main()
    # infer()
    # covert2onnx()
    covert2onnx_dynamic()

torch转onnx
调用onnx模型代码如下：

import time
import onnx
import torch
import torchvision
import onnxruntime

# 4.检查onnx计算图
def checknet():
    net = onnx.load("./trynet.onnx")
    onnx.checker.check_model(net)           # 检查文件模型是否正确


def runonnx():

    image = torch.randn(2, 3, 280, 224).cuda()
    session = onnxruntime.InferenceSession("./trynet.onnx")
    session.get_modelmeta()
    output2 = session.run(['output_data'], {"input_data": image.cpu().numpy()})
    print(output2[0].shape)


if __name__ == '__main__':
    runonnx()

onnx模型调用

结果图部分显示:

原文链接: https://www.cnblogs.com/tangjunjun/p/16500116.html

欢迎关注

微信关注下方公众号，第一时间获取干货硬货；公众号内回复【pdf】免费获取数百本计算机经典书籍