使用ONNX转换AI模型
与 ONNX 的互操作性
ONNX(Open Neural Network Exchange)是一种描述深度学习模型的开放标准,旨在促进框架兼容性。
考虑以下场景:您可以在 PyTorch 中训练神经网络,然后在将其部署到生产环境之前通过 TensorRT 优化编译器运行它。 这只是众多可互操作的深度学习工具组合中的一种,其中包括可视化、性能分析器和优化器。
研究人员和 DevOps 不再需要使用未针对建模和部署性能进行优化的单个工具链。
为此,ONNX 定义了一组标准的运算符以及基于 Protocol Buffers 序列化格式的标准文件格式。 该模型被描述为一个有向图,其边表示各种节点输入和输出之间的数据流,节点表示运算符及其参数。
导出模型
我为以下情况定义了一个由两个 Convolution-BatchNorm-ReLu 块组成的简单模型。
import torch
class Model(torch.nn.Module):
def __init__(self):
super().__init__()
self.model = torch.nn.Sequential(
torch.nn.Conv2d(3, 16, 3, 2),
torch.nn.BatchNorm2d(16),
torch.nn.ReLU(),
torch.nn.Conv2d(16, 64, 3, 2),
torch.nn.BatchNorm2d(64),
torch.nn.ReLU()
)
def forward(self, x):
return self.model(x)
您可以使用 PyTorch 内置导出器通过创建模型实例并调用 torch.onnx.export 将此模型导出到 ONNX。 您还必须提供具有适当输入维度和数据类型的虚拟输入,以及给定输入和输出的符号名称。
在代码示例中,我定义了输入和输出的索引 0 是动态的,以便在运行时以不同的批量大小运行模型。
import torch
model = Model().eval().to(device="cpu")
dummy_input = torch.rand((1, 3, 128, 128), device="cpu")
torch.onnx.export(
model,
dummy_input,
"model.onnx",
input_names=["input"],
output_names=["output"],
dynamic_axes={"input": {0: "N"}, "output": {0: "N"}},
opset_version=13
)
在内部,PyTorch 调用 torch.jit.trace
,它使用给定的参数执行模型,并将执行期间的所有操作记录为有向图。
跟踪展开循环和 if 语句,生成与跟踪运行相同的静态图。 没有捕获到数据相关的控制流。 这种导出类型适用于许多用例,但请记住这些限制。
如果需要动态行为,您可以使用脚本。 因此,模型必须先导出到 ScriptModule 对象,然后才能转换为 ONNX,如以下示例所示。
import torch
model = Model().eval().to(device="cpu")
dummy_input = torch.rand((1, 3, 128, 128), device="cpu")
scripted_model = torch.jit.script(model)
torch.onnx.export(
scripted_model,
dummy_input,
"model.onnx",
input_names=["input"],
output_names=["output"],
dynamic_axes={"input": {0: "N"}, "output": {0: "N"}},
opset_version=13
)
将模型转换为 ScriptModule 对象并不总是微不足道的,通常需要更改一些代码。 有关详细信息,请参阅避免陷阱和 TorchScript。
因为前向调用中没有数据依赖性,所以您可以将模型转换为可编写脚本的模型,而无需对代码进行任何更多更改。
导出模型后,您可以使用 Netron 将其可视化。 默认视图提供模型图和属性面板。 如果您选择输入或输出,属性面板会显示一般信息,例如名称、OpSet 和维度。
同样,在图中选择一个节点会显示该节点的属性。 这是检查模型是否正确导出以及稍后调试和分析问题的绝佳方法。
自定义运算符
目前,ONNX 目前定义了大约 150 个操作。 它们的复杂性从算术加法到完整的长短期记忆 (LSTM) 实现不等。 尽管此列表随着每个新版本的增加而增加,但您可能会遇到不包括您的研究模型中的运算符的情况。
在这种情况下,您可以定义 torch.autograd.Function,它包括 forward 函数中的自定义功能和 symbolic 中的符号定义。 在这种情况下,前向函数通过返回其输入来实现无操作。
class FooOp(torch.autograd.Function):
@staticmethod
def forward(ctx, input1: torch.Tensor) -> torch.Tensor:
return input1
@staticmethod
def symbolic(g, input1):
return g.op("devtech::FooOp", input1)
class FooModel(torch.nn.Module):
def __init__(self):
super().__init__()
self.model = torch.nn.Sequential(
torch.nn.Conv2d(3, 16, 3, 2),
torch.nn.BatchNorm2d(16),
torch.nn.ReLU()
)
def forward(self, x):
x = self.model(x)
return FooOp.apply(x)
model = FooModel().eval().to(device="cpu")
dummy_input = torch.rand((1, 3, 128, 128), device="cpu")
torch.onnx.export(
model,
dummy_input,
"model_foo.onnx",
input_names=["input"],
output_names=["output"],
dynamic_axes={"input": {0: "N"}, "output": {0: "N"}},
opset_version=13,
)
此示例演示如何定义用于将模型导出到 ONNX 的符号节点。 尽管在 forward 函数中提供了符号节点的功能,但它必须被实现并提供给用于推断 ONNX 模型的运行时。 这是特定于执行提供者的,将在本文后面解决。
修改 ONNX 模型
您可能希望更改 ONNX 模型而不必再次导出它。 更改的范围可以从更改名称到消除整个节点。 直接修改模型很困难,因为所有信息都被编码为协议缓冲区。 幸运的是,您可以使用 GraphSurgeon 简单地更改您的模型。
以下代码示例展示了如何从导出的模型中删除伪造的 FooOp 节点。 还有许多其他方法可以使用 GraphSurgeon 来修改和调试我无法在此处介绍的模型。 有关详细信息,请参阅 GitHub 存储库。
import onnx_graphsurgeon as gs
import onnx
graph = gs.import_onnx(onnx.load("model_foo.onnx"))
fake_node = [node for node in graph.nodes if node.op == "FooOp"][0]
# Get the input node of the fake node
# For example, node.i() is equivalent to node.inputs[0].inputs[0]
inp_node = fake_node.i()
# Reconnect the input node to the output tensors of the fake node, so that the first identity
# node in the example graph now skips over the fake node.
inp_node.outputs = fake_node.outputs
fake_node.outputs.clear()
# Remove the fake node from the graph completely
graph.cleanup()
onnx.save(gs.export_onnx(graph), "removed.onnx")
要删除节点,您必须首先使用 GraphSurgeon API 加载模型。 接下来,遍历图形,查找要替换的节点并将其与 FooOp 节点类型匹配。 用它自己的输出替换它的输入节点的输出张量,然后移除它自己与其输出的连接,移除节点。