第一章：模型部署简介 — mmdeploy 0.12.0 文档

pytorch.onnx.export方法参数详解，以及onnxruntime-gpu推理性能测试_胖胖大海的博客-CSDN博客

我们来谈谈ONNX的日常 - Oldpan的个人博客

初识模型部署

训练：网络结构（深度学习框架定义）+网络参数（训练）

优化：模型结构+参数--优化-->中间表示

运行：面向硬件的高性能编程框架（CUDA）

 部署第一个模型

创建pytorch模型

# 安装 ONNX Runtime, ONNX, OpenCV
pip install onnxruntime onnx opencv-python

import os

import cv2
import numpy as np
import requests
import torch
import torch.onnx
from torch import nn
# 超分辨率
class SuperResolutionNet(nn.Module):
    def __init__(self, upscale_factor):
        super().__init__()
        self.upscale_factor = upscale_factor#放缩因子
        self.img_upsampler = nn.Upsample(#上采样
            scale_factor=self.upscale_factor,#上采样比例
            mode='bicubic',#双线性插值
            align_corners=False)#

        self.conv1 = nn.Conv2d(3,64,kernel_size=9,padding=4)
        self.conv2 = nn.Conv2d(64,32,kernel_size=1,padding=0)
        self.conv3 = nn.Conv2d(32,3,kernel_size=5,padding=2)

        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.img_upsampler(x)
        out = self.relu(self.conv1(x))
        out = self.relu(self.conv2(out))
        out = self.conv3(out)
        return out

# Download checkpoint and test image
urls = ['https://download.openmmlab.com/mmediting/restorers/srcnn/srcnn_x4k915_1x16_1000k_div2k_20200608-4186f232.pth',
    'https://raw.githubusercontent.com/open-mmlab/mmediting/master/tests/data/face/000001.png']
names = ['srcnn.pth', 'face.png']
for url, name in zip(urls, names):
    if not os.path.exists(name):
        open(name, 'wb').write(requests.get(url).content)#保存参数和图像

def init_torch_model():
    torch_model = SuperResolutionNet(upscale_factor=3)#放大三倍

    state_dict = torch.load('srcnn.pth')['state_dict']#载入state_dict

    # Adapt the checkpoint
    for old_key in list(state_dict.keys()):#遍历state_dict
        new_key = '.'.join(old_key.split('.')[1:])#重新编辑名称
        state_dict[new_key] = state_dict.pop(old_key)#改写名称

    torch_model.load_state_dict(state_dict)#网络模型载入参数
    torch_model.eval()# 评估模式
    return torch_model#返回评估网络

model = init_torch_model()#初始化预测评估网络模型
input_img = cv2.imread('face.png').astype(np.float32)#opencv读取图片，转换为float32

# HWC to NCHW
input_img = np.transpose(input_img, [2, 0, 1])#将HWC通道转换为CHW
input_img = np.expand_dims(input_img, 0)#增加dims,为NCHW，这样网络就可以在HW上卷积，C为RGB

# Inference
torch_output = model(torch.from_numpy(input_img)).detach().numpy()

# NCHW to HWC
torch_output = np.squeeze(torch_output, 0)#NCHW -> CHW
torch_output = np.clip(torch_output, 0, 255)# clip
torch_output = np.transpose(torch_output, [1, 2, 0]).astype(np.uint8)# CHW -> HCW

# Show image
cv2.imwrite("face_torch.png", torch_output)# save

中间表示——ONNX

神经网络描述的是数据计算过程，结构可以用计算图表示。如a+b

一些框架通过“先编译，后执行”的静态图来加速计算过程。

静态图难以描述控制流（if-else和for） ，因为不同的控制语句产生不同的计算图。这

这就不是静态图了 。ONNX（Open Neural Network Exchange）是 Facebook 和微软在2017年共同发布的，用于标准描述计算图的一种格式。作为深度学习框架到推理引擎的中间表示。

import torch
from tensorrtdemo.torch_inference import init_torch_model
x = torch.randn(1, 3, 256, 256)#随机产生一个大小固定的输入
model = init_torch_model()#获取带参数的模型
with torch.no_grad():#上下文管理器，禁止梯度计算，在网络推断中可以节省显存
    torch.onnx.export(
        model,#带参模型
        x,#随机的输入形式
        "srcnn.onnx",#存储的onnx文件
        opset_version=11,# opset版本是指onnx定义的算子集合
        input_names=['input'],#输入对象名称
        output_names=['output'])#输出对象名称

PyTorch 提供了一种叫做追踪（trace）的模型转换方法：给定一组输入，再实际执行一遍模型，即把这组输入对应的计算图记录下来，保存为 ONNX 格式。

Netron download | SourceForge.net

netron可以查看onnx和参数文件,onnx利用protobuf序列化数据结构协议存储神经网络权重信息。

查看模型版本、输入、输出名称和数据类型 

 

 

点击算子节点 ：

• 算子属性（attribute），如对卷积算子来说，属性包括卷积核大小（kernel_shape）、卷积步长（strides）等。
• 图结构信息，包含算子节点在计算图中的名称（Conv_2）、邻边的信息（inputs(X):11、outputs(Y)：12）
• 权重信息：卷积核的权重（conv1.weight）和卷积后的偏差(conv1.bias)，点击后面的“+”可以看到具体的数值。

推理引擎——ONNX Runtime

ONNX Runtime是微软维护的一个跨平台机器学习推理加速器（推理引擎）。

import onnxruntime
import cv2
import numpy as np
input_img = cv2.imread('face.png').astype(np.float32)#读取数据，并转换数据类型
# HWC to NCHW
input_img = np.transpose(input_img, [2, 0, 1])#坐标轴转置
input_img = np.expand_dims(input_img, 0)#扩展数组的形状。

ort_session = onnxruntime.InferenceSession("srcnn.onnx")#输入ONNX，获取ONNX Runtime推理器
ort_inputs = {'input': input_img}#输入值字典，key为张量名，value为numpy类型的张量值
ort_output = ort_session.run(['output'], ort_inputs)[0]#网络推理（输出张量名列表，输入值字典），输入输出张量名称要和torch.onnx.export中设置的输入输出名称对应
ort_output = np.squeeze(ort_output, 0)#移除长度为1的轴
ort_output = np.clip(ort_output, 0, 255)#剪辑(限制)数组中的值。
ort_output = np.transpose(ort_output, [1, 2, 0]).astype(np.uint8)#坐标轴转置，并转换数据类型
cv2.imwrite("face_ort.png", ort_output)#保存

总结

• 模型部署：将训练好的模型在特定环境中运行的过程，以解决模型框架兼容性差和模型运行速度慢。
• 流水线：深度学习框架-中间表示（ONNX）-推理引擎
• 计算图：深度学习模型是一个计算图，模型部署就是将模型转换成计算图，没有控制流（分支语句和循环）的计算图。
• ONNX：pytorch可以直接导出ONNX。
• 推理引擎：ONNX Runtime是ONNX模型的原生推理引擎，可以直接在python API中完成模型推理。