原文来自于地平线开发者社区，未来会持续发布深度学习、板端部署的相关优质文章与视频，如果文章对您有帮助，麻烦给点个赞，如果您有兴趣一起学习，欢迎点个关注：寻找永不遗憾(CSDN用户名)

1 背景介绍

使用深度学习开源框架Pytorch训练完网络模型后，在部署之前通常需要进行格式转换，地平线工具链模型转换目前支持Caffe1.0和ONNX(opset_version=10/11 且 ir_version≤7)两种。ONNX(Open Neural Network Exchange)格式是一种常用的开源神经网络格式，被较多推理引擎支持，例如Pytorch、PaddlePaddle、TensorFlow等。本文将详细介绍如何将TensorFlow2得到的模型导出为ONNX格式。

2 实验环境

本教程的实验环境如下：

Python库	Version
tensorflow-cpu	2.11.0
tensorflow-intel	2.11.0
tf2onnx	1.13.0
protobuf	3.20.2
onnx	1.13.0
onnxruntime	1.14.0

3 tf2onnx工具介绍

tf2onnx可以通过命令行的方式将TensorFlow/Keras的模型转换为ONNX，该工具的主要配置参数如下：

python -m tf2onnx.convert
    --saved-model          #以save-model方式保存的tf模型文件夹
    --output               #转换为ONNX格式的完整模型名称
    --opset                #默认为13，请手动配置10或11
    --inputs               #可选，用于指定导出的首节点
    --outputs              #可选，用于指定导出的尾节点

tf2onnx的更多详细介绍可以参考： https://github.com/onnx/tensorflow-onnx

4 代码实操

4.1 TensorFlow2与ONNX模型导出

以下代码展示了如何搭建一个简单分类模型以TensorFlow2的save-model方式保存并转换为ONNX格式。

import tensorflow as tf
import os
import onnx

def MyNet():
    input1 = tf.keras.layers.Input(shape=(7, 7, 3))

    x = tf.keras.layers.Conv2D(16, (3, 3),
               activation='relu',
               padding='same',
               name='conv1')(input1)
    x = tf.keras.layers.Conv2D(16, (3, 3),
               activation='relu',
               padding='same',
               name='conv2')(x)

    x = tf.keras.layers.Flatten(name='flatten')(x)
    x = tf.keras.layers.Dense(100, activation='relu', name='fc1')(x)
    output = tf.keras.layers.Dense(2, activation='softmax', name='predictions')(x)

    input_1 = input1
    model = tf.keras.models.Model(inputs=[input_1], outputs=output)
    return model

model = MyNet()

#需要先使用model.save方法保存模型
model.save('model')
#调用tf2onnx将上一步保存的模型导出为ONNX
os.system("python -m tf2onnx.convert --saved-model model --output model.onnx --opset 11")

4.2 ONNX正确性验证

可以用以下代码验证ONNX模型的正确性，会检查模型的版本，图的结构，节点及输入输出。若输出为 Check: None 则表示无报错信息，模型导出正确。

import onnx

onnx_model = onnx.load("./model.onnx")
check = onnx.checker.check_model(onnx_model)
print('Check: ', check)

4.3 TensorFlow2与ONNX的一致性检查

可以使用以下代码检查导出的ONNX模型和原始的PaddlePaddle模型是否有相同的计算结果。

import tensorflow as tf
import onnxruntime
import numpy as np

input1 = np.random.random((1, 7, 7, 3)).astype('float32')

ort_sess = onnxruntime.InferenceSession("./model.onnx")
ort_inputs = {ort_sess.get_inputs()[0].name: input1}
ort_outs = ort_sess.run(None, ort_inputs)

tf_model = tf.saved_model.load(export_dir="model")
tf_outs = tf_model(inputs=input1)

print(ort_outs[0])
print(tf_outs.numpy())
np.testing.assert_allclose(tf_outs.numpy(), ort_outs[0], rtol=1e-03, atol=1e-05)
print("onnx model check finsh.")

4.4 多输入的情况

若您的模型存在多输入，则可参考下方代码以TensorFlow2的save-model方式保存并转换为ONNX格式。

import tensorflow as tf
import os

def MyNet():
    input1 = tf.keras.layers.Input(shape=(7, 7, 3))
    input2 = tf.keras.layers.Input(shape=(7, 7, 3))

    x = tf.keras.layers.Conv2D(16, (3, 3),
               activation='relu',
               padding='same',
               name='conv1')(input1)
    y = tf.keras.layers.Conv2D(16, (3, 3),
               activation='relu',
               padding='same',
               name='conv2')(input2)
    z = tf.keras.layers.Concatenate(axis=-1)([x, y])
    z = tf.keras.layers.Flatten(name='flatten')(z)
    z = tf.keras.layers.Dense(100, activation='relu', name='fc1')(z)
    output = tf.keras.layers.Dense(2, activation='softmax', name='predictions')(z)

    input_1 = input1
    input_2 = input2
    model = tf.keras.models.Model(inputs=[input_1,input_2], outputs=output)
    return model

model = MyNet()

model.save('model')
os.system("python -m tf2onnx.convert --saved-model model --output model.onnx --opset 11")

4.5 设定输入/输出节点

有时考虑到部署难度，我们不希望TensorFlow网络结构的前后处理部分也导入进ONNX模型。此时可以使用tf2onnx工具的inputs和outputs参数，指定导出的首尾节点，这样首节点之前和尾节点之后的部分都不会导入进ONNX模型。

5 ONNX模型可视化

导出成ONNX模型后，可以使用开源可视化工具Netron来查看网络结构及相关配置信息。Netron的使用方式主要分为两种，一种是使用在线网页版 https://netron.app/ ，另一种是下载安装程序 https://github.com/lutzroeder/netron 。此教程中模型的可视化效果为：

6 ir_version和opset_version修改

地平线工具链支持的ONNX模型需要满足 opset_version=10/11 且 ir_version≤7，当拿到的ONNX模型不满足这两个要求时，可以修改代码重新导出，或者尝试编写脚本直接修改ONNX模型的对应属性，第二种方式的示例代码如下：

import onnx

model = onnx.load("./model.onnx")
model.ir_version = 6
model.opset_import[0].version = 11
onnx.save_model(model, "./model_version.onnx")

注意： 高版本向低版本切换时可能会出现问题，这里只是一种可尝试的解决方案。

7 ONNX输入输出维度修改

当发现使用tf2onnx工具保存的ONNX模型的输入输出节点出现异常值时，比如以下情况：

可以使用如下代码进行修改：

import onnx

onnx_model = onnx.load("./model.onnx")
onnx_model.graph.input[0].type.tensor_type.shape.dim[0].dim_value = 1
onnx_model.graph.output[0].type.tensor_type.shape.dim[0].dim_value = 1
onnx.save(onnx_model, './model_dim.onnx')

打开保存的ONNX模型文件，可以看到输入输出节点的维度已经正常：

至此，该ONNX模型已满足地平线工具链的转换条件。

8 致谢

原文来自于地平线开发者社区，未来会持续发布深度学习、板端部署的相关优质文章与视频，如果文章对您有帮助，麻烦给点个赞，如果您有兴趣一起学习，欢迎点个关注：寻找永不遗憾(CSDN用户名)