Python torch.onnx.export用法詳細介紹

函數原型

引數介紹

mode (torch.nn.Module, torch.jit.ScriptModule or torch.jit.ScriptFunction)

需要轉換的模型，支援的模型型別有：torch.nn.Module, torch.jit.ScriptModule or torch.jit.ScriptFunction

args (tuple or torch.Tensor)

args可以被設定成三種形式

1.一個tuple

args = (x, y, z)

這個tuple應該與模型的輸入相對應，任何非Tensor的輸入都會被寫死入onnx模型，所有Tensor型別的引數會被當做onnx模型的輸入。

2.一個Tensor

args = torch.Tensor([1, 2, 3])

一般這種情況下模型只有一個輸入

3.一個帶有字典的tuple

args = (x,
        {'y': input_y,
         'z': input_z})

這種情況下，所有字典之前的引數會被當做“非關鍵字”引數傳入網路，字典種的鍵值對會被當做關鍵字引數傳入網路。如果網路中的關鍵字引數未出現在此字典中，將會使用預設值，如果沒有設定預設值，則會被指定為None。

NOTE:

一個特殊情況，當網路本身最後一個引數為字典時，直接在tuple最後寫一個字典則會被誤認為關鍵字傳參。所以，可以通過在tuple最後新增一個空字典來解決。

#錯誤寫法：
 
torch.onnx.export(
    model,
    (x,
     # WRONG: will be interpreted as named arguments
     {y: z}),
    "test.onnx.pb")
 
# 糾正
 
torch.onnx.export(
    model,
    (x,
     {y: z},
     {}),
    "test.onnx.pb")

f

一個檔案類物件或一個路徑字串，二進位制的protocol buffer將被寫入此檔案

export_params (bool, default True)

如果為True則匯出模型的引數。如果想匯出一個未訓練的模型，則設為False

verbose (bool, default False)

如果為True，則列印一些轉換紀錄檔，並且onnx模型中會包含doc_string資訊。

training (enum, default TrainingMode.EVAL)

列舉型別包括：

TrainingMode.EVAL - 以推理模式匯出模型。

TrainingMode.PRESERVE - 如果model.training為False，則以推理模式匯出；否則以訓練模式匯出。

TrainingMode.TRAINING - 以訓練模式匯出，此模式將禁止一些影響訓練的優化操作。

input_names (list of str, default empty list)

按順序分配給onnx圖的輸入節點的名稱列表。

output_names (list of str, default empty list)

按順序分配給onnx圖的輸出節點的名稱列表。

operator_export_type (enum, default None)

預設為OperatorExportTypes.ONNX， 如果Pytorch built with DPYTORCH_ONNX_CAFFE2_BUNDLE，則預設為OperatorExportTypes.ONNX_ATEN_FALLBACK。

列舉型別包括：

OperatorExportTypes.ONNX - 將所有操作匯出為ONNX操作。

OperatorExportTypes.ONNX_FALLTHROUGH - 試圖將所有操作匯出為ONNX操作，但碰到無法轉換的操作（如onnx未實現的操作），則將操作匯出為“自定義操作”，為了使匯出的模型可用，執行時必須支援這些自定義操作。支援自定義操作方法見連結。

OperatorExportTypes.ONNX_ATEN - 所有ATen操作匯出為ATen操作，ATen是Pytorch的內建tensor庫，所以這將使得模型直接使用Pytorch實現。（此方法轉換的模型只能被Caffe2直接使用）

OperatorExportTypes.ONNX_ATEN_FALLBACK - 試圖將所有的ATen操作也轉換為ONNX操作，如果無法轉換則轉換為ATen操作（此方法轉換的模型只能被Caffe2直接使用）。例如：

# 轉換前：
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)
 
 
# 轉換後：
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)

預設是9。值必須等於_onnx_main_opset或在_onnx_stable_opsets之內。具體可在torch/onnx/symbolic_helper.py中找到。例如：

_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“常數摺疊”優化。常數摺疊將使用一些算好的常數來優化一些輸入全為常數的節點。

example_outputs (T or a tuple of T, where T is Tensor or convertible to Tensor, default None)

當需輸入模型為ScriptModule 或 ScriptFunction時必須提供。此引數用於確定輸出的型別和形狀，而不跟蹤（tracing ）模型的執行。

dynamic_axes (dict<string, dict<python:int, string>> or dict<string, list(int)>, default empty dict)

通過以下規則設定動態的維度：

KEY(str) - 必須是input_names或output_names指定的名稱，用來指定哪個變數需要使用到動態尺寸。

VALUE(dict or list) - 如果是一個dict，dict中的key是變數的某個維度，dict中的value是我們給這個維度取的名稱。如果是一個list，則list中的元素都表示此變數的某個維度。

具體可參考如下範例：

class SumModule(torch.nn.Module):
    def forward(self, x):
        return torch.sum(x, dim=1)
 
# 以動態尺寸模式匯出模型
 
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],
                  })
 
### 匯出後的節點資訊
 
##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執行流程：

1、如果輸入到torch.onnx.export的模型是nn.Module型別，則預設會將模型使用torch.jit.trace轉換為ScriptModule

2、使用args引數和torch.jit.trace將模型轉換為ScriptModule，torch.jit.trace不能處理模型中的迴圈和if語句

3、如果模型中存在迴圈或者if語句，在執行torch.onnx.export之前先使用torch.jit.script將nn.Module轉換為ScriptModule

4、模型轉換成onnx之後，預測結果與之前會有稍微的差別，這些差別往往不會改變模型的預測結果，比如預測的概率在小數點之後五六位有差別。

總結

到此這篇關於Python torch.onnx.export用法詳細介紹的文章就介紹到這了,更多相關Python torch.onnx.export用法內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！