onnx实现对pytorch模型推理加速

机器学习AI算法工程 2021-01-21 19:00







向AI转型的程序员都关注了这个号👇👇👇

人工智能大数据与深度学习  公众号:datayx


微软宣布将多平台通用ONNX机器学习引擎开源,此举将让机器学习框架,向着机器学习框架的标准化和性能优化方向迈进了一大步。


ONNX Runtime是适用于Linux,Windows和Mac上ONNX格式的机器学习模型的高性能推理引擎。



开发人员可以为自己机器学习任务选择合适的框架,框架作者可以集中精力推出创新,提高框架的性能。对于硬件供应商来说,也可以简化神经网络计算的复杂度,实现优化算法。


onnxruntime模型部署流程

1.安装


pip install onnx

pip install onnxruntime

( pip install onnxruntime-gpu #GPU环境)



2. Pytorch 模型转onnx


当提到保存和加载模型时,有三个核心功能需要熟悉:

1.torch.save:将序列化的对象保存到disk。这个函数使用Python的pickle

实用程序进行序列化。使用这个函数可以保存各种对象的模型、张量和字典。

2.torch.load:使用pickle unpickle工具将pickle的对象文件反序列化为

内存。

3.torch.nn.Module.load_state_dict:使用反序列化状态字典加载

model's参数字典


保存加载模型2种方式,在保存模型进行推理时,只需要保存训练过的模型的学习参数即可,一个常见的PyTorch约定是使用.pt或.pth文件扩展名保存模型。


# 第一种:保存和加载整个模型
Save:

torch.save(model_object, 'model.pth')


Load:
model = torch.load('model.pth')
model.eval()


#第二种:仅保存和加载模型参数(推荐使用)
Save:
torch.save(model.state_dict(), 'params.pth')

Load:

model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load('params.pth'))
model.eval()

#记住,必须调用model.eval(),

以便在运行推断之前将dropout和batch规范化层设置为评估模式。如果不这样做,

将会产生不一致的推断结果

#在保存用于推理或恢复训练的通用检查点时,必须保存模型的state_dict



Pytorch模型转onnx

举例模型是调用resnet50训练的4分类模型,训练过程调用gpu,则转换过程如下:

1 如果保存的是整个模型

import torch

device = torch.device("cuda" if torch.cuda.is_available()

else "cpu")


model = torch.load("test.pth") # pytorch模型加载
batch_size = 1 #批处理大小
input_shape = (3, 244, 384) #输入数据,改成自己的输入shape
model.eval()

x = torch.randn(batch_size, *input_shape)
x = x.to(device)

export_onnx_file = "test.onnx" #输出的ONNX文件名


torch.onnx.export(model
x,
export_onnx_file,
opset_version=11,
do_constant_folding=True,
input_names=["input"],
output_names=["output"],

dynamic_axes={

"input":{0: 'batch',2:'batch',3:'batch'},

"output":{0: 'batch',2:'batch',3:'batch'})




2 如果保存的是模型参数,则需要先创建模型,再加载模型参数


import torch

from models import resnet50


model = resnet50() #创建模型

weight = torch.load("test.pth")

model.load_state_dict(weight )


batch_size = 1
input_shape = (3, 244, 384) #输入数据,改成自己的输入shape

model.eval()

x = torch.randn(batch_size, *input_shape)
export_onnx_file = "test.onnx" # 输出的ONNX文件名
torch.onnx.export(model,
x,
export_onnx_file,
opset_version=10,
do_constant_folding=True,
input_names=["input"],
output_names=["output"],
dynamic_axes={

"input":{0: 'batch',2:'batch',3:'batch'},

"output":{0: 'batch',2:'batch',3:'batch'})





3. 使用onnx推理预测



参考链接

https://zhuanlan.zhihu.com/p/159379768

https://blog.csdn.net/jacke121/article/details/104510401

https://blog.csdn.net/LimitOut/article/details/107117759





阅读过本文的人还看了以下文章:


TensorFlow 2.0深度学习案例实战


基于40万表格数据集TableBank,用MaskRCNN做表格检测


《基于深度学习的自然语言处理》中/英PDF


Deep Learning 中文版初版-周志华团队


【全套视频课】最全的目标检测算法系列讲解,通俗易懂!


《美团机器学习实践》_美团算法团队.pdf


《深度学习入门:基于Python的理论与实现》高清中文PDF+源码


特征提取与图像处理(第二版).pdf


python就业班学习视频,从入门到实战项目


2019最新《PyTorch自然语言处理》英、中文版PDF+源码


《21个项目玩转深度学习:基于TensorFlow的实践详解》完整版PDF+附书代码


《深度学习之pytorch》pdf+附书源码


PyTorch深度学习快速实战入门《pytorch-handbook》


【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》


《Python数据分析与挖掘实战》PDF+完整源码


汽车行业完整知识图谱项目实战视频(全23课)


李沐大神开源《动手学深度学习》,加州伯克利深度学习(2019春)教材


笔记、代码清晰易懂!李航《统计学习方法》最新资源全套!


《神经网络与深度学习》最新2018版中英PDF+源码


将机器学习模型部署为REST API


FashionAI服装属性标签图像识别Top1-5方案分享


重要开源!CNN-RNN-CTC 实现手写汉字识别


yolo3 检测出图像中的不规则汉字


同样是机器学习算法工程师,你的面试为什么过不了?


前海征信大数据算法:风险概率预测


【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目,让你掌握深度学习图像分类


VGG16迁移学习,实现医学图像识别分类工程项目


特征工程(一)


特征工程(二) :文本数据的展开、过滤和分块


特征工程(三):特征缩放,从词袋到 TF-IDF


特征工程(四): 类别特征


特征工程(五): PCA 降维


特征工程(六): 非线性特征提取和模型堆叠


特征工程(七):图像特征提取和深度学习


如何利用全新的决策树集成级联结构gcForest做特征工程并打分?


Machine Learning Yearning 中文翻译稿


蚂蚁金服2018秋招-算法工程师(共四面)通过


全球AI挑战-场景分类的比赛源码(多模型融合)


斯坦福CS230官方指南:CNN、RNN及使用技巧速查(打印收藏)


python+flask搭建CNN在线识别手写中文网站


中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程



不断更新资源

深度学习、机器学习、数据分析、python

 搜索公众号添加: datayx  



机大数据技术与机器学习工程

 搜索公众号添加: datanlp

长按图片,识别二维码