【mindspore】【mindspore导出onnx】报类型转换错误

最新推荐文章于 2024-07-31 17:50:47 发布
最新推荐文章于 2024-07-31 17:50:47 发布
阅读量281 收藏
点赞数
文章标签： 深度学习 人工智能 python
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/weixin_45666880/article/details/125544934
版权

问题描述：

【操作步骤&问题现象】

代码: gitee中的mindspore/models/research/cv/advanced_east/export.py research/cv/advanced_east · MindSpore/models - 码云 - 开源中国 (gitee.com)

ckpt：mindspore hub中获取 MindSpore官网

运行环境: cpu

【截图信息】

 

解答：

将kernel_size以tuple类型传入ops.Conv2D即可。 原因是model.py部分使用了ops.Conv2D加weight组合的形式，传给Conv2D算子的kernel_size为int64类型, 而ops.Conv2D没有对此整型进行twice操作(nn.Conv2d算子中包含该操作)转换为tuple类型。 这样会导致在执行onnx_exporter.cc中的SetAttrTupleValueToProto代码段时,无法将int64类型映射为ValueTuple类型，auto tuple_ptr = dyn_cast(value);该句得到的是空指针。

小乐快乐
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
mindspore模型训练和模型导出为onnx
大鱼的博客
02-24 2147
mindspore是华为深度学习框架，网址为：https://www.mindspore.cn/ 本代码主要参考快速入门的代码，加了模型导出为onnx mindspore在模型搭建上基本上的语法和pytorch差不多 只是分为了网络和模型，模型主要拿来训练和预测，而网络就是单纯的网络，网络可以拿来导出模型文件，但是预测只能使用模型 训练代码如下： # -*- coding: utf-8 -*- import os import mindspore.nn as nn from mindspore.
Mindspore导出onnx并借助ATC工具转OM模型
weixin_56314292的博客
07-18 1936
二、利用ATC工具将onnx转成om模型，这里我是在200dk A2开发板上直接转的，此开发板是自带atc工具的，转om指令如下：这里需要注意的是用netron打开onnx模型看下，输入端写的啥，写的x就写x：写的image就把x改成image，version那里就对应自己的华为开发板是啥，可以在开发板里面输入 npu-smi info 查看卡的类型，Ascend301B的卡就是我这个指令。注意：开发板需要先分区资源，不然运行不出来，开发板教程参考：这里只需要配开发板环境和创建分区，里面不用装conda。
mindspore框架实现ckpt模型导出ONNX格式
最新发布
人工智能视觉分析算法学习实践和经验分享。
07-31 487
【代码】mindspore框架实现ckpt模型导出ONNX格式。
如何将MindSpore模型转ONNX格式并使用OnnxRuntime推理---全流程开发指导
qq_43582235的博客
08-07 873
本文详细介绍了如何将MindSpore模型转换为Onnx模型并进行精度推理，此博客能够帮助读者了解Onnx模型推理的开发流程，学习到开发过程中各种接口的使用方法，助力开发者快速入门Onnx模型推理。
mindspore 模型导出ONNX模型失败
weixin_45666880的博客
07-14 286
脚本如下： 报错信息如下 解答：不支持的，当前MindSpore的onnx格式导出只支持resnet系列的网络。
通过修改cuda-fastbev中的export-onnx.py文件，导出onnx并利用工具链转为bin文件，完成静态测试
01-23
在本项目中，我们将探讨如何通过修改CUDA-FastBEV项目的`export-onnx.py`脚本来导出ONNX模型，并使用相应的工具链将其转换为适用于静态测试的BIN文件。 首先，我们需要理解ONNX（Open Neural Network Exchange）是...
用于ONNX模型格式的深度学习工具箱转换器：在MATLAB中导入和导出ONNX:trade_mark:模型，以与其他深度学习框架互操作-matlab开发
05-28
在MATLAB内导入和导出ONNX:trade_mark:（开放神经网络交换）模型，以与其他深度学习框架互操作。 ONNX使模型可以在一个框架中进行训练，然后转移到另一个框架中进行推理。 从操作系统或在MATLAB中打开onnxconverter...
只用opencv-python和numpy进行YOLOv5 导出onnx模型进行推理预测，摆脱深度学习框架.zip
02-21
标题中的“只用opencv-python和numpy进行YOLOv5 导出onnx模型进行推理预测，摆脱深度学习框架”指的是一个教程或者项目，其目的是利用OpenCV和NumPy这两个Python库，实现YOLOv5模型的ONNX导出与推理预测，从而在不...
TensorRT-使用TensorRT部署Pytorch版YOLOv4-通过Pytorch2onnx导出onnx模型转TRT部署
02-27
2. **模型导出**: 使用PyTorch的`torch.onnx.export`函数，将PyTorch模型导出为ONNX格式的模型文件。 3. **验证ONNX模型**: 验证ONNX模型是否正确地保留了原始模型的行为，可以使用ONNX的验证工具。 4. **模型优化**...
基于scikit-learn训练分类器并导出ONNX模型python源码.zip
06-19
基于scikit-learn训练分类器并导出ONNX模型python源码.zip基于scikit-learn训练分类器并导出ONNX模型python源码.zip基于scikit-learn训练分类器并导出ONNX模型python源码.zip基于scikit-learn训练分类器并导出ONNX...
mindspore1.6训练模型转ONNX报错
weixin_45666880的博客
06-13 395
问题描述：【操作步骤&问题现象】使用mindspore1.6将ckpt文件转为onnx时报错，提示“Can not find key Conv2DTranspose in convert map.Exporting Conv2DTranspose operator is not yet supported.”【日志信息】（可选，上传日志内容或者附件）Traceback (most recent call last):File "F:/mind_spore/UNet_Plus_Plus_for_MindSpo
ONNX权重类型转换 INT64 to INT32
豆芽菜
05-05 6672
使用TensorRT转换ONNX模型时，提示模型包含INT64变量，其不影响模型转换。如果想消除该提示，可以将INT64变量转为INT32即可。转换可使用：aadhithya/onnx-typecast: Script to typecast ONNX model parameters from INT64 to INT32. (github.com) onnx-typecast A simple python script to typecast ONNX model paramete...
onnx-simplifier 模型简化中报错处理
yyc1820252161的博客
04-18 2162
报错1：Your ONNX model has been generated with INT64 weights, while TensorRT does not natively support INT64. Attempting to cast down to INT32 报错2：RuntimeError: The shape of input "input_1" has dynamic size "[0, 0, 0, 3]"
MindSporeLite之converter_lite模型转换工具和benchmark模型推理工具
IT菜鸟
04-06 1255
MindSporeLite之converter_lite模型转换工具和benchmark模型推理工具
使用MindSpore将保存的模型导出
weixin_45666880的博客
07-03 775
需要安装MindSpore工具包进行下面操作。MindSpore安装地址：https://www.mindspore.cn/install/ 在使用MindSpore进行模型训练过程后，如果想继续在不同硬件平台上做推理，可通过网络和CheckPoint格式文件生成对应的MINDIR、AIR和ONNX格式文件。 MINDIR：MindSpore框架的一种基于图表示的函数式IR，其最核心的目的是服务于自动微分变换，目前可用于MindSpore Lite端侧推理。 AIR：全称Ascend Intermed
mindspore模型在Ascend 310的推理问题
weixin_45666880的博客
07-14 542
1 mindspore在Ascend 910上训练， 在Ascend 310上推理， 有完整的案例可以参考吗？2 mindspore 用onnx格式在310上推理时， mindspore负责保存出.onnx格式模型， 那么从onnx模型到om模型， 是够需要自己来完成？mindspore是否提供相应的工具呢？3 实际测试Lenet模型， mindspore可以保存为onnx模型， 然后我自己做了onnx-->pb-->om的转换， 但是pb-->om报错。 这应该是最简单的示例了， 所以想问一下这一块目前
paddle 导出onnx onnxruntime c++
09-20
要将Paddle模型导出为ONNX格式并在ONNXRuntime C中使用，可以按照以下步骤进行： 首先，需要使用Paddle框架训练或加载一个现有的模型。在训练或加载模型后，可以使用以下代码将Paddle模型导出为ONNX格式： ```python import paddle import paddle.nn as nn import paddle.onnx as onnx # 定义并训练Paddle模型 class MyModel(nn.Layer): def __init__(self): super(MyModel, self).__init__() self.fc = nn.Linear(10, 10) def forward(self, x): x = self.fc(x) return x model = MyModel() # 进行模型训练 # 将Paddle模型导出为ONNX格式 onnx_model_path = "model.onnx" paddle.onnx.export(model, onnx_model_path) ``` 然后，安装ONNXRuntime C库，并使用以下代码在C中加载和运行导出的ONNX模型： ```c #include <onnxruntime_c_api.h> // 加载ONNX模型 const wchar_t* model_path = L"model.onnx"; OrtEnv* env; OrtCreateEnv(ORT_LOGGING_LEVEL_WARNING, "ONNXModel", &env); OrtSessionOptions* session_options; OrtCreateSessionOptions(&session_options); OrtSession* session; OrtCreateSession(env, model_path, session_options, &session); // 设置输入张量 OrtAllocator* allocator; OrtCreateAllocatorWithDefaultOptions(&allocator); int input_tensor_shape[] = {1, 10}; float input_tensor_data[] = {0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0}; const char* input_tensor_name[] = {"input"}; size_t input_tensor_size = sizeof(input_tensor_data); OrtValue* input_tensor; OrtStatus* status; OrtCreateTensorWithDataAsOrtValue(allocator, input_tensor_data, input_tensor_size, input_tensor_shape, 2, ONNX_TENSOR_ELEMENT_DATA_TYPE_FLOAT, &input_tensor); OrtStatus* input_status; OrtSessionGetInputCount(session, &input_count); OrtInput* input_def; OrtSessionGetInput(session, 0, &input_def); OrtSessionFillInputTensor(session, input_tensor, input_def, input_tensor_data, input_tensor_size); // 运行模型 OrtStatus* run_status; const char* output_names[] = {"output"}; OrtValue* output_tensor; OrtStatus* output_status; int output_tensor_count = 1; OrtStatus* session_status; OrtRun(session, NULL, input_tensor_name, (const OrtValue* const*)&input_tensor, 1, output_names, output_tensor_count, &output_tensor); // 获取输出结果 float* output_tensor_data; OrtGetTensorMutableData(output_tensor, (void**)&output_tensor_data); for (int i = 0; i < 10; i++) { printf("%f ", output_tensor_data[i]); } // 释放资源 OrtAllocatorFree(allocator, input_tensor); OrtReleaseSession(session); OrtReleaseSessionOptions(session_options); OrtReleaseEnvironment(env); ``` 这样，就可以使用ONNXRuntime C加载和运行导出的ONNX模型。注意，在使用ONNXRuntime C之前，需要根据平台和编译器的要求进行相应的设置和安装。
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
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