pytorch模型转换

已于 2022-02-05 23:47:35 修改
阅读量3.2k 收藏 1
点赞数
分类专栏： pytorch知识宝典 文章标签： pytorch 深度学习 人工智能
于 2019-10-24 18:28:56 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jacke121/article/details/102729126
版权
本文详细介绍了如何将PyTorch模型转换为ONNX格式，包括环境配置、模型加载、模型导出及验证转换后模型的精度损失。在转换过程中，提到了使用onnxruntime和特定CUDA版本的重要性。
摘要由CSDN通过智能技术生成

目录

数据类型转换

模型转换

1. 环境配置

2. 模型加载

模型导出onnx：

3. 验证是否有精度损失

数据类型转换

aaa= torch.Tensor(3, 5)
bbb= torch.IntTensor(2,3)
print aaa.type_as(bbb)

模型转换

转化为jit模式：

model = UNet(3, 1)
modelname = 'ckpt_e_50.pth'
ckpt = torch.load(opt.pretrain + modelname)
model.load_state_dict(ckpt['state_dict'], strict=False)
model.eval()
example = torch.rand(1, 3, 240, 320)
example1 = torch.rand(1, 1, 30, 40)
traced_script_module = torch.jit.trace(model, (example, example1))
traced_script_module.save("model.pt")

<
了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI算法网奇
关注
专栏目录
订阅专栏
PyTorch 模型转换为 ONNX 模型一些简单代码文件
06-03
里面包含运行一次 PyTorch 转换 ONNX 所需的最小代码
pytorch 两种 保存模型相互转换 保存模型网络+参数 只保存模型参数
XUDINGYI312的博客
07-05 174
保存模型 转换问题
pytorch模型(.pth)转tensorrt模型(.engine)几种方式
热门推荐
小菜的博客
05-05 1万+
序言 这篇文章总结了训练好的pytorch模型转成tensorrt模型部署的几种方式，转换原理流程大致如下： 导出网络定义以及相关权重； 解析网络定义以及相关权重； 根据显卡算子构造出最优执行计划； 将执行计划序列化存储； 反序列化执行计划； 进行推理 值得注意的是第三点，可以看到tensorrt转换出来的模型实际上是和硬件绑定的，也就是在部署的过程中，如果你的显卡和显卡相关驱动软件（cuda、cudnn）发生了改变，那么模型就得需要重新做转换。 一、trtexec trtexec是在tensorrt包
paddle复现pytorch踩坑(十一）：转换pytorch预训练模型
qq_32097577的博客
01-15 3406
直接上代码解释预训练模型的转换过程，需要注意： （1）若想完全转换pytorch模型，可直接转 （2）若想转换预训练模型，即包含权重不包含全连接层，则舍弃全连接层的部分即可 （3）如遇数据维度不对，需要对权重进行转置 环境： pytorch 1.1.0 paddlepaddle 1.8.4 import torch import paddle.fluid as fluid from collections import OrderedDict from model import ResNet3D torc
如何将字典转为模型？
qq_35239799的博客
06-09 298
1.获得字典plist 的路径信息  2.将plist 的数据加载数组中， 3.创建动态数组，便历数组  －> for  in 便历 4.创建模型对象 5.将字典的数据（name，图片等）转到模型 源码： - (NSArray *)apps {     if (_apps == nil) {         //初始化         //1.获得plist 的
模型转换 PyTorch转ONNX 入门
黎国溥
02-17 1万+
本文主要介绍如何将PyTorch模型转换为ONNX模型，为后面的模型部署做准备。转换后的xxx.onnx模型，进行加载和测试。最后介绍使用Netron，可视化ONNX模型，看一下网络结构；查看使用了那些算子，以便开发部署。目录前言一、PyTorch模型转ONNX模型1.1 转换为ONNX模型且加载权重1.2 转换为ONNX模型但不加载权重1.3 torch.onnx.export() 函数二、加载ONNX模型三、可视化ONNX模型。
caffe to pytorch模型转换的代码
12-07
这次我们要关注的是如何将Caffe模型转换为PyTorch模型。Caffe是一个流行的深度学习框架，以其高效和速度著称，而PyTorch则以其易用性和灵活性受到研究人员的欢迎。这种转换过程允许开发者利用Caffe已训练好的模型，...
MxNet预训练模型到Pytorch模型的转换方式
09-16
本篇将详细讨论如何将MxNet的预训练模型转换为PyTorch模型。 首先，我们需要理解MxNet和PyTorch模型结构的差异。MxNet使用`symbol`来定义网络结构，而PyTorch则采用动态图的方式。转换的核心在于映射两个框架中层的...
Pytorch模型转onnx模型实例
09-18
这篇文章介绍了如何将Pytorch模型转换为ONNX（Open Neural Network Exchange）格式的过程，旨在为读者提供一个转换实例和解决转换中可能遇到的问题。以下是详细知识点的解读。 ### Pytorch模型和ONNX模型的概念 ...
convert_torch_to_pytorch:将Torch T7模型转换为pytorch模型和源
05-10
将割炬t7模型转换为pytorch模型和源。 兑换 python convert_torch.py -m vgg16.t7 将创建两个文件vgg16.py vgg16.pth 例子 import vgg16 model = vgg16 . vgg16 model . load_state_dict ( torch . load ( 'vgg16....
Python-pytorch2kerasPyTorch到Keras模型转换工具
08-11
pytorch2keras - PyTorch到Keras模型转换工具
pytorch 模型与tf模型转换
weixin_36378508的博客
06-09 1478
torch转tf
使用Transformers将TF模型转化成PyTorch模型
fxtxz2的专栏
06-07 1144
TF模型转化成PyTorch模型
Pytorch模型转ONNX格式详解
crasher123的博客
06-08 3963
ONNX（Open Neural Network Exchange）则是一种开源的跨平台深度学习框架。将PyTorch模型转为ONNX格式可以使得该模型可以在其他的深度学习框架中使用，如TensorFlow，Caffe等。下面介绍一下PyTorch转ONNX的原理和方法。
【PyTorch模型转换和部署】
最新发布
小秋的博客
02-29 1454
在PyTorch中，模型转换和部署是一个从训练到实际应用的关键环节，通常涉及将训练好的模型导出成更通用的格式，以便在不同的环境（如C++、移动端、云端服务等）下运行。对于NVIDIA GPU加速，可以将PyTorch模型转换为TensorRT，以实现高性能推理。运行ONNX模型可能会遇到一些常见问题。使用ONNX Runtime可以在C++环境中加载并执行ONNX模型。需要先将模型转换为ONNX，然后使用TensorRT工具进行优化。首先导出模型参数，并在移动平台上加载模型进行推理。
PyTorch 分类模型的转换和使用 OpenCV C++ 启动
2301_81888214的博客
02-08 1555
让我们简要回顾一下使用 OpenCV API 进行 PyTorch 模型转换的管道中涉及的关键概念。中减去平均值，然后将像素值乘以小比例。print（“PyTorch ResNet-50 模型已成功转换：”， full_model_path）在这里，我们选择最有可能的对象类。对于所获得的预测的标签解码，我们还需要文件，其中包含 ImageNet 类的完整列表。为了提供模型推理，我们将使用下面与 ImageNet 类 ID 335 相对应的。构建示例后（标志值应为 ），将提供相应的可执行文件。
【TorchScript】PyTorch模型转换Libtorch模型
尊新必威的博客
07-01 4729
任务简介：使用PyTorch训练的模型只能在Python环境中使用，在自动驾驶场景中，模型推理过程通常是在硬件设备上进行。TorchScript可以将PyTorch训练的模型转换为C++环境支持的模型，推理速度比Python环境更快。本文对整体转换流程做一个简单的记录，后续需要补充TorchScript的支持的各种语法规则以及注意点。...............
pytorch模型格式转换
u013925378的博客
06-11 1万+
将生成的ckpt_e_50.pth文件转为适合在pc端做推断的.pt文件： model = UNet(3, 1) modelname = 'ckpt_e_50.pth' ckpt = torch.load(opt.pretrain + modelname) model.load_state_dict(ckpt['state_dict'], strict=False) model.eval() ...
PyTorch 模型转换为 ONNX 模型的方法及应用
星海浮生
03-26 1万+
本文以 MNIST 图片数据集的数字识别为例，介绍 PyTorch 框架训练 CNN 模型的基本过程、 PyTorch 模型转换为 ONNX 模型的方法，以及ONNX 模型的运行。
将PyTorch模型转换为Keras模型代码
05-21
将PyTorch模型转换为Keras模型代码是一项比较复杂的任务，因为PyTorch和Keras在实现上有很大的不同。不过，可以通过以下步骤尝试进行转换： 1. 安装onnx和onnx-tf 首先，需要安装onnx和onnx-tf。onnx是一种跨平台的开放式格式，用于表示深度学习模型。onnx-tf是一个用于将onnx模型转换为TensorFlow模型的工具。 ``` pip install onnx onnx-tf ``` 2. 将PyTorch模型转换为onnx模型 使用PyTorch将模型保存为ONNX格式： ```python import torch import onnx # 加载PyTorch模型 model = torch.load('model.pth') # 转换为ONNX格式 dummy_input = torch.randn(1, 3, 224, 224) input_names = ['input'] output_names = ['output'] onnx.export(model, dummy_input, 'model.onnx', input_names=input_names, output_names=output_names) ``` 3. 将onnx模型转换为Keras模型 使用onnx-tf将onnx模型转换为Keras模型： ```python import onnx import onnx_tf import tensorflow as tf from tensorflow import keras # 加载ONNX模型 model = onnx.load('model.onnx') # 转换为Keras模型 tf_rep = onnx_tf.backend.prepare(model) graph_def = tf_rep.graph.as_graph_def() input_names = [i.name for i in tf_rep.inputs] output_names = [i.name for i in tf_rep.outputs] with tf.Graph().as_default() as graph: tf.import_graph_def(graph_def, name='') sess = tf.compat.v1.Session(graph=graph) keras_model = keras.models.Sequential() keras_model.add(keras.layers.Lambda(lambda x: x, input_shape=(None,) + input_shape)) for layer in sess.graph.get_operations(): layer_type = layer.type layer_name = layer.name layer_input_shape = layer.inputs[0].get_shape().as_list() layer_output_shape = layer.outputs[0].get_shape().as_list() if layer_type == 'Placeholder': continue elif layer_type == 'Conv2D': filters = layer.inputs[1].get_shape().as_list()[3] kernel_size = layer.inputs[1].get_shape().as_list()[0] strides = layer.get_attr('strides')[1] padding = layer.get_attr('padding').decode() keras_layer = keras.layers.Conv2D(filters=filters, kernel_size=kernel_size, strides=strides, padding=padding, name=layer_name) elif layer_type == 'MaxPool': pool_size = layer.get_attr('kernel_shape')[1] strides = layer.get_attr('strides')[1] padding = layer.get_attr('padding').decode() keras_layer = keras.layers.MaxPooling2D(pool_size=pool_size, strides=strides, padding=padding, name=layer_name) elif layer_type == 'Relu': keras_layer = keras.layers.Activation('relu', name=layer_name) elif layer_type == 'Reshape': target_shape = layer.outputs[0].get_shape().as_list()[1:] keras_layer = keras.layers.Reshape(target_shape, name=layer_name) else: raise ValueError('Unsupported layer type: {}'.format(layer_type)) keras_layer.build(layer_input_shape) keras_layer.set_weights(sess.run(layer.inputs[1:])) keras_model.add(keras_layer) keras_model.summary() ``` 以上是将PyTorch模型转换为Keras模型代码的基本步骤。但是，由于两种框架的实现有所不同，因此在实际应用中可能需要进行更深入的调整和修改。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值