郑州企业做网站h汉狮,邯郸做移动网站报价,传统企业如何做好网络推广,个体户网上申报onnx 的导出和分析 一、PyTorch 导出 ONNX 的方法1.1、一个简单的例子 -- 将线性模型转成 onnx1.2、导出多个输出头的模型1.3、导出含有动态维度的模型 二、pytorch 导出 onnx 不成功的时候如何解决2.1、修改 opset 的版本2.2、替换 pytorch 中的算子组合2.3、在 pytorch 登记 注册 onnx 中某些算子2.3.1、注册方法一2.3.2、注册方法二 2.4、直接修改 onnx创建 plugin 一、PyTorch 导出 ONNX 的方法
1.1、一个简单的例子 – 将线性模型转成 onnx
首先我们用 pytorch 定义一个线性模型nn.Linear 线性层执行的操作是 y x * W^T b其中 x 是输入W 是权重b 是偏置。实际上就是一个矩阵乘法
class Model(torch.nn.Module):def __init__(self, in_features, out_features, weights, biasFalse):super().__init__()self.linear nn.Linear(in_features, out_features, bias)with torch.no_grad():self.linear.weight.copy_(weights)def forward(self, x):x self.linear(x)return x然后我们再定义一个函数用于导出 onnx
def export_onnx():input torch.zeros(1, 1, 1, 4)weights torch.tensor([[1, 2, 3, 4],[2, 3, 4, 5],[3, 4, 5, 6]],dtypetorch.float32)model Model(4, 3, weights)model.eval() #添加eval防止权重继续更新torch.onnx.export(model model, args (input,),f model.onnx,input_names [input0],output_names [output0],opset_version 12)print(Finished onnx export)可以看到这里面的关键在函数 torch.onnx.export()这是 pytorch 导出 onnx 的基本方式这个函数的参数有很多但只要一些基本的参数即可导出模型下面是一些基本参数的定义 model (torch.nn.Module): 需要导出的PyTorch模型args (tuple or Tensor): 一个元组其中包含传递给模型的输入张量f (str): 要保存导出模型的文件路径。input_names (list of str): 输入节点的名字的列表output_names (list of str): 输出节点的名字的列表opset_version (int): 用于导出模型的 ONNX 操作集版本 最后我们完整的运行一下代码
import torch
import torch.nn as nn
import torch.onnxclass Model(torch.nn.Module):def __init__(self, in_features, out_features, weights, biasFalse):super().__init__()self.linear nn.Linear(in_features, out_features, bias)with torch.no_grad():self.linear.weight.copy_(weights)def forward(self, x):x self.linear(x)return xdef export_onnx():input torch.zeros(1, 1, 1, 4)weights torch.tensor([[1, 2, 3, 4],[2, 3, 4, 5],[3, 4, 5, 6]],dtypetorch.float32)model Model(4, 3, weights)model.eval() #添加eval防止权重继续更新torch.onnx.export(model model, args (input,),f model.onnx,input_names [input0],output_names [output0],opset_version 12)print(Finished onnx export)if __name__ __main__:export_onnx()导出模型后我们用 netron 查看模型在终端输入
netron model.onnx1.2、导出多个输出头的模型
第一步定义一个多输出的模型
class Model(torch.nn.Module):def __init__(self, in_features, out_features, weights1, weights2, biasFalse):super().__init__()self.linear1 nn.Linear(in_features, out_features, bias)self.linear2 nn.Linear(in_features, out_features, bias)with torch.no_grad():self.linear1.weight.copy_(weights1)self.linear2.weight.copy_(weights2)def forward(self, x):x1 self.linear1(x)x2 self.linear2(x)return x1, x2第二步编写导出 onnx 的函数
def export_onnx():input torch.zeros(1, 1, 1, 4)weights1 torch.tensor([[1, 2, 3, 4],[2, 3, 4, 5],[3, 4, 5, 6]],dtypetorch.float32)weights2 torch.tensor([[2, 3, 4, 5],[3, 4, 5, 6],[4, 5, 6, 7]],dtypetorch.float32)model Model(4, 3, weights1, weights2)model.eval() #添加eval防止权重继续更新torch.onnx.export(model model, args (input,),f model.onnx,input_names [input0],output_names [output0, output1],opset_version 12)print(Finished onnx export)可以看到和例 1.1 不一样的地方是 torch.onnx.export 的 output_names 例1.1output_names [“output0”] 例1.2output_names [“output0”, “output1”]
运行一下完整代码
import torch
import torch.nn as nn
import torch.onnxclass Model(torch.nn.Module):def __init__(self, in_features, out_features, weights1, weights2, biasFalse):super().__init__()self.linear1 nn.Linear(in_features, out_features, bias)self.linear2 nn.Linear(in_features, out_features, bias)with torch.no_grad():self.linear1.weight.copy_(weights1)self.linear2.weight.copy_(weights2)def forward(self, x):x1 self.linear1(x)x2 self.linear2(x)return x1, x2def export_onnx():input torch.zeros(1, 1, 1, 4)weights1 torch.tensor([[1, 2, 3, 4],[2, 3, 4, 5],[3, 4, 5, 6]],dtypetorch.float32)weights2 torch.tensor([[2, 3, 4, 5],[3, 4, 5, 6],[4, 5, 6, 7]],dtypetorch.float32)model Model(4, 3, weights1, weights2)model.eval() #添加eval防止权重继续更新torch.onnx.export(model model, args (input,),f model.onnx,input_names [input0],output_names [output0, output1],opset_version 12)print(Finished onnx export)if __name__ __main__:export_onnx()用 netron 查看模型结果如下模型多出了一个输出结果
1.3、导出含有动态维度的模型
完整运行代码如下
import torch
import torch.nn as nn
import torch.onnxclass Model(torch.nn.Module):def __init__(self, in_features, out_features, weights, biasFalse):super().__init__()self.linear nn.Linear(in_features, out_features, bias)with torch.no_grad():self.linear.weight.copy_(weights)def forward(self, x):x self.linear(x)return xdef export_onnx():input torch.zeros(1, 1, 1, 4)weights torch.tensor([[1, 2, 3, 4],[2, 3, 4, 5],[3, 4, 5, 6]],dtypetorch.float32)model Model(4, 3, weights)model.eval() #添加eval防止权重继续更新torch.onnx.export(model model, args (input,),f model.onnx,input_names [input0],output_names [output0],dynamic_axes {input0: {0: batch},output0: {0: batch}},opset_version 12)print(Finished onnx export)if __name__ __main__:export_onnx()可以看到比例 1.1 多了一行 torch.onnx.export 的 dynamic_axes 。我们可以用 dynamic_axes 来指定动态维度其中 input0: {0: batch} 中的 0 表示在第 0 维度上的元素是动态的这里取名为 ‘batch’
用 netron 查看模型 可以看到相对于例1.1他的维度 0 变成了动态的并且名为 ‘batch’
二、pytorch 导出 onnx 不成功的时候如何解决
上面是 onnx 可以直接被导出的情况是因为对应的 pytorch 和 onnx 版本都有相应支持的算子在里面。但是有些时候我们不能顺利的导出 onnx下面记录一下常见的解决思路 。
2.1、修改 opset 的版本
这是首先应该考虑的思路因为有可能只是版本过低然后有些算子还不支持所以考虑提高 opset 的版本。
比如下面的这个报错提示当前 onnx 的 opset 版本不支持这个算子那我们可以去官方手册搜索一下是否在高的版本支持了这个算子
官方手册地址https://github.com/onnx/onnx/blob/main/docs/Operators.md 又比如说 Acosh 这个算子在 since version 9 才开始支持那我们用 7 的时候就是不合适的升级 opset 版本即可
2.2、替换 pytorch 中的算子组合
有些时候 pytorch 中的一些算子操作在 onnx 中并没有那我们可以把这些算子替换成 onnx 支持的算子
2.3、在 pytorch 登记 注册 onnx 中某些算子
有些算子在 onnx 中是有的但是在 pytorch 中没被登记则需要注册一下 比如下面这个案例我们想要导出 asinh 这个算子的模型
import torch
import torch.onnxclass Model(torch.nn.Module):def __init__(self):super().__init__()def forward(self, x):x torch.asinh(x)return xdef export_norm_onnx():input torch.rand(1, 5)model Model()model.eval()file asinh.onnxtorch.onnx.export(model model, args (input,),f file,input_names [input0],output_names [output0],opset_version 9)print(Finished normal onnx export)if __name__ __main__:export_norm_onnx()但是报错,提示 opset_version 9 不支持这个算子
但是我们打开官方手册去搜索发现 asinh 在 version 9 又是支持的 这里的问题是 PyTorch 与 onnx 之间没有建立 asinh 的映射 没有搭建桥梁所以我们编写一个注册代码来手动注册一下这个算子
2.3.1、注册方法一
完整代码如下
import torch
import torch.onnx
import onnxruntime
from torch.onnx import register_custom_op_symbolicdef asinh_symbolic(g, input, *, outNone):return g.op(Asinh, input)
register_custom_op_symbolic(aten::asinh, asinh_symbolic, 12)class Model(torch.nn.Module):def __init__(self):super().__init__()def forward(self, x):x torch.asinh(x)return xdef validate_onnx():input torch.rand(1, 5)# PyTorch的推理model Model()x model(input)print(result from Pytorch is :, x)# onnxruntime的推理sess onnxruntime.InferenceSession(asinh.onnx)x sess.run(None, {input0: input.numpy()})print(result from onnx is: , x)def export_norm_onnx():input torch.rand(1, 5)model Model()model.eval()file asinh.onnxtorch.onnx.export(model model, args (input,),f file,input_names [input0],output_names [output0],opset_version 12)print(Finished normal onnx export)if __name__ __main__:export_norm_onnx()# 自定义完onnx以后必须要进行一下验证validate_onnx()这段代码的关键在于 算子的注册
1、定义 asinh_symbolic 函数
def asinh_symbolic(g, input, *, outNone):return g.op(Asinh, input)函数必须是 asinh_symbolic 这个名字g: 就是 graph计算图 在计算图中添加onnx算子input symblic的参数需要与Pytorch的asinh接口函数的参数对齐 (def asinh( input: Tensor, *, out: Optional[Tensor]None) - Tensor: … )符号函数内部调用 g.op, 为 onnx 计算图添加 Asinh 算子g.op中的第一个参数是onnx中的算子名字: Asinh 2、使用 register_custom_op_symbolic 函数
register_custom_op_symbolic(aten::asinh, asinh_symbolic, 12)aten 是a Tensor Library的缩写是一个实现张量运算的C库asinh 是在名为 aten 的一个c命名空间下进行实现的将 asinh_symbolic 这个符号函数与PyTorch的 asinh 算子绑定register_op 中的第一个参数是PyTorch中的算子名字: aten::asinh最后一个参数表示从第几个 opset 开始支持可自己设置 3、自定义完 onnx 以后必须要进行一下验证可使用 onnxruntime
2.3.2、注册方法二
import torch
import torch.onnx
import onnxruntime
import functools
from torch.onnx import register_custom_op_symbolic
from torch.onnx._internal import registration_onnx_symbolic functools.partial(registration.onnx_symbolic, opset9)_onnx_symbolic(aten::asinh)
def asinh_symbolic(g, input, *, outNone):return g.op(Asinh, input)class Model(torch.nn.Module):def __init__(self):super().__init__()def forward(self, x):x torch.asinh(x)return xdef validate_onnx():input torch.rand(1, 5)# PyTorch的推理model Model()x model(input)print(result from Pytorch is :, x)# onnxruntime的推理sess onnxruntime.InferenceSession(asinh2.onnx)x sess.run(None, {input0: input.numpy()})print(result from onnx is: , x)def export_norm_onnx():input torch.rand(1, 5)model Model()model.eval()file asinh2.onnxtorch.onnx.export(model model, args (input,),f file,input_names [input0],output_names [output0],opset_version 12)print(Finished normal onnx export)if __name__ __main__:export_norm_onnx()# 自定义完onnx以后必须要进行一下验证validate_onnx()与上面例子不同的是这个注册方式跟底层文件的写法是一样的文件在虚拟环境中的 torch/onnx/symbolic_opset*.py
通过torch._internal 中的 registration 来注册这个算子让这个算子可以与底层C实现的 aten::asinh 绑定
_onnx_symbolic functools.partial(registration.onnx_symbolic, opset9)
_onnx_symbolic(aten::asinh)
def asinh_symbolic(g, input, *, outNone):return g.op(Asinh, input)2.4、直接修改 onnx创建 plugin
直接手动创建一个 onnx 这是一个思路会在后续博客进行总结记录
参考链接
