TenserRT（三）PYTORCH 转 ONNX 详解

shchojj

已于 2023-07-31 10:58:40 修改

阅读量2k

点赞数 1

文章标签： pytorch 深度学习人工智能

于 2023-04-12 10:33:54 首次发布

原文链接：https://mmdeploy.readthedocs.io/zh_CN/latest/tutorial/04_onnx_custom_op.html

版权

第三章：PyTorch 转 ONNX 详解 — mmdeploy 0.12.0 文档

torch.onnx — PyTorch 2.0 documentation

`torch.onnx.export` 细解

计算图导出方法

TorchScript是一种序列化和优化PyTorch模型的格式，将torch.nn.Module模型转换为TorchScript的torch.jit.ScriptModule模型，也是一种中间表示。

torch.onnx.export中使用的模型实际上是torch.jit.ScriptModule。

将torch.nn.Module转化为TorchScript模型（导出计算图）有两种模式：跟踪（trace）和脚本化（script）。

torch.onnx.export输入一个torch.nn.Module，默认会使用跟踪（trace）的方法导出。

import torch

class Model(torch.nn.Module):
    def __init__(self, n):
        super().__init__()
        self.n = n
        self.conv = torch.nn.Conv2d(3, 3, 3)

    def forward(self, x):
        for i in range(self.n):#控制输入张量被卷积的次数
            x = self.conv(x)
        return x

models = [Model(2), Model(3)]# n=2和n=3的模型
model_names = ['model_2', 'model_3']

for model, model_name in zip(models, model_names):
    dummy_input = torch.rand(1, 3, 10, 10)
    dummy_output = model(dummy_input)
    model_trace = torch.jit.trace(model, dummy_input)
    model_script = torch.jit.script(model)

    #torch.onnx.export默认使用trace，所有不需要先trace
    # 跟踪法与直接 torch.onnx.export(model, ...)等价
    # torch.onnx.export(model_trace, dummy_input, f'{model_name}_trace.onnx', example_outputs=dummy_output, opset_version = 11)
    torch.onnx.export(model,  dummy_input,f'{model_name}_trace.onnx', example_outputs=dummy_output, opset_version = 11)
    # 脚本化必须先调用 torch.jit.sciprt
    torch.onnx.export(model_script, dummy_input, f'{model_name}_script.onnx', example_outputs=dummy_output)

    # 如果是先运行了torch.jit.script，将模型转化成TorchScript，则export函数不需要再运行一遍
    # 如果输入不是TorchScript，则export需要运行一遍模型
    # dummy_input和dummy_output表示输入输出张量的数据类型和形状

跟踪法trace中，不同的n得到的ONNX模型结构是不一样的。

脚本法script中，Loop节点表示循环，不同的n可以有相同的结构。

推理引擎对静态图支持更好，不需要显式的将PyTorch模型转换为TorchScript，直接使用torch.onnx.export跟踪法导出即可。

虽然在代码中没有直接将trace的脚本作为export输入，但是可以通过trace来定位export问题是否出现在trace中。

参数讲解

def export(model, args, f, export_params=True, verbose=False, training=TrainingMode.EVAL,
           input_names=None, output_names=None, aten=False, export_raw_ir=False,
           operator_export_type=None, opset_version=None, _retain_param_name=True,
           do_constant_folding=True, example_outputs=None, strip_doc_string=True,
           dynamic_axes=None, keep_initializers_as_inputs=None, custom_opsets=None,
           enable_onnx_checker=True, use_external_data_format=False):

模型（model）：必选
输入（args）：必选
导出的 onnx 文件名（f）：必选
模型中是否保存权重（export_params）：一般模型结构和模型权重放在一个文件里存储，所以默认是true，如果是在不同的框架间传递模型，而不是用于部署，则设置为false。
输入/输出张量名称（input_names, output_names）：推理引擎一般都需要通过“名称-张量值”的数据对来输入数据，并根据输出张量的名称来获取输出数据，保证ONNX和推理引擎中使用同一套名称。
opset_version：ONNX算子集版本。
dynamic_axes：指定输入输出张量的哪些维度是动态的，为了追求效率，ONNX默认所有参与运算的张量都是静态的（张量的形状不发生改变）。可以显式的指明输入输出张量的哪几个维度的大小是可变的

import torch

class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()#继承父类构造函数中
        self.conv = torch.nn.Conv2d(3, 3, 3)

    def forward(self, x):
        x = self.conv(x)
        return x


model = Model()
dummy_input = torch.rand(1, 3, 10, 10)
model_names = ['model_static.onnx',
'model_dynamic_0.onnx',
'model_dynamic_23.onnx']

# dynamic_axes_0 = {#第0维动态
#     'in' : [0],
#     'out' : [0]
# }
dynamic_axes_0 = {
    'in' : {0: 'batch'},
    'out' : {0: 'batch'}
}
dynamic_axes_23 = {#第2、3维动态
    'in' : [2, 3],
    'out' : [2, 3]
}

torch.onnx.export(model, dummy_input, model_names[0], input_names=['in'], output_names=['out'])#没有动态维度
torch.onnx.export(model, dummy_input, model_names[1], input_names=['in'], output_names=['out'], dynamic_axes=dynamic_axes_0)#第0维动态
torch.onnx.export(model, dummy_input, model_names[2], input_names=['in'], output_names=['out'], dynamic_axes=dynamic_axes_23)#第2、3维动态
# ONNX 要求每个动态维度都有一个名字，直接这样写会引出一条UserWarning，警告我们通过列表方式设置动态维度的话，系统会自动为它们分配名字

import onnxruntime
import numpy as np

origin_tensor = np.random.rand(1, 3, 10, 10).astype(np.float32)
mult_batch_tensor = np.random.rand(2, 3, 10, 10).astype(np.float32)
big_tensor = np.random.rand(1, 3, 20, 20).astype(np.float32)

inputs = [origin_tensor, mult_batch_tensor, big_tensor]
exceptions = dict()
model_names = ['model_static.onnx',#批量或者维度增加就会出错
'model_dynamic_0.onnx',#维度增加就会出错
'model_dynamic_23.onnx']#批量增加就会出错
for model_name in model_names:
    for i, input in enumerate(inputs):
        try:
            ort_session = onnxruntime.InferenceSession(model_name)
            ort_inputs = {'in': input}
            ort_session.run(['out'], ort_inputs)#只有在设置了对应的动态维度后才不会出错
        except Exception as e:
            exceptions[(i, model_name)] = e
            print(f'Input[{i}] on model {model_name} error.')
            print(exceptions[(1, 'model_static.onnx')])

        else:
            print(f'Input[{i}] on model {model_name} succeed.')

使用技巧

torch.onnx.is_in_onnx_export()：PyTorch推理时不运行，但是在执行torch.onnx.export()时为真。

import torch

class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.conv = torch.nn.Conv2d(3, 3, 3)

    def forward(self, x):
        x = self.conv(x)
        if torch.onnx.is_in_onnx_export():# 仅在模型导出时把输出张量的数值限制在[0,1]之间
            #可以在代码中添加和模型部署相关的逻辑
            x = torch.clip(x, 0, 1)
        return x

利用中断张量跟踪的操作

import torch
class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()

    def forward(self, x):
        #item、for、list等方法都会导致ONNX模型不太正确
        x = x * x[0].item()#跟踪法会把某些取决于输入的中间结果变成常量
        # .item()把torch中的张量转换成普通的Python遍历
        return x, torch.Tensor([i for i in x])#遍历torch张量，并用一个列表新建一个torch张量。

model = Model()
dummy_input = torch.rand(10)
torch.onnx.export(model, dummy_input, 'a.onnx')

涉及到张量与普通变量转换的逻辑都会导致最终ONNX模型不太正确。

利用这个性质，在保证正确性的前提下令模型中间结果变成常量。

这个技巧尝尝用于模型的静态化上，即令模型中所有张量形状都变成常量。

使用张量为输入（PyTorch版本 < 1.9.0）

PyTorch 对 ONNX 的算子支持

如果torch.onnx.export()正常执行后，另一个容易出现的问题就是算子不兼容。

在转换普通torch.nn.Module模型时：

Pytorch利用跟踪法执行前向推理，把遇到的算子整合成计算图；
Pytorch把遇到的算子翻译成ONNX定义的算子。

算子翻译的过程可能遇到的情况：

算子可以一对一翻译成ONNX算子。
算子没有一对一的ONNX算子，被翻译成一个或多个ONNX算子。
算子没有翻译成ONNX的规则。

ONNX 算子文档

onnx/Operators.md at main · onnx/onnx · GitHub

算子变更表格（算子名，算子变更版本号opset_version），第一次变更的版本号，表示算子第一次被支持，且第一个改动记录可以知道当前算子集中该算子的定义规则。

表格中的链接可以说明该算子的输入输出参数规定使用示例。

PyTorch 对 ONNX 算子的映射

pytorch/torch/onnx at master · pytorch/pytorch · GitHub

symbloic_opset{n}.py表示pytorch对应的ONNX算子集版本。

在vscode中限定在torch/onnx文件夹搜索对应算子

按照调用逻辑直接跳转到

@_onnx_symbolic(
    "aten::upsample_bicubic2d",
    decorate=[_apply_params("upsample_bicubic2d", 4, "cubic")],
)
->

@_beartype.beartype
def _interpolate(name: str, dim: int, interpolate_mode: str):
    return symbolic_helper._interpolate_helper(name, dim, interpolate_mode)

->

@_beartype.beartype
def _interpolate_helper(name, dim, interpolate_mode):
    @quantized_args(True, False, False)
    def symbolic_fn(g, input, output_size, *args):
        ...

    return symbolic_fn

symbolic_fn中插值算子被映射成多个ONNX算子，一个g.op对应ONNX

return g.op(
                "Resize",
                input,
                empty_roi,
                empty_scales,
                output_size,
                coordinate_transformation_mode_s=coordinate_transformation_mode,
                cubic_coeff_a_f=-0.75,  # only valid when mode="cubic"
                mode_s=interpolate_mode,  # nearest, linear, or cubic
                nearest_mode_s="floor",
            )  # only valid when mode="nearest"

查找对应的ONNXonnx/Operators.md at main · onnx/onnx · GitHub resize算子定义，可以知道对应参数含义。

查询PyTorch到ONNX的映射关系，然后在torch.onnx.export()的opset_version设定一个版本号，然后去PyTorch符号表文件里去查。如果没有对应算子，就需要考虑用其他算子替代，或者自定义算子。

总结

跟踪法和脚本化在导出待控制语句的计算图时有什么区别。
torch.onnx.export()中如何设置input_names, output_names, dynamic_axes。
使用torch.onnx.is_in_onnx_export()来使得模型在转换到ONNX时有不同的行为。
查询ONNX 算子文档。
查询ONNX算子对PyTorch算子支持情况。
查询ONNX算子对PyTorch算子使用方式。

shchojj

关注

1
点赞
踩
3

收藏

觉得还不错? 一键收藏
1
评论
TenserRT（三）PYTORCH 转 ONNX 详解

跟踪法和脚本化在导出待控制语句的计算图时有什么区别。torch.onnx.export()中如何设置input_names, output_names, dynamic_axes。使用torch.onnx.is_in_onnx_export()来使得模型在转换到ONNX时有不同的行为。查询ONNX 算子文档。查询ONNX算子对PyTorch算子支持情况。查询ONNX算子对PyTorch算子使用方式。
复制链接

扫一扫