准备工作

环境：
wsl2 Ubuntu 20.04
mindspore 2.0.0
python 3.8
pytorch 2.0.1 cpu

基于已有的mindspore FCOS项目和FCOS官方pytorch权重来做迁移，

• FCOS官方pytorch实现
  FCOS_imprv_R_50_FPN_1x权重
• MindSpore FCOS项目链接
  该代码是mindspore1.6实现的，用新版本运行会有很多warning，warning的接口要更改为新的。
  而且没提供训练好的权重，所以用官方的pytorch权重进行迁移，但其中发现MindSpore相比官方有许多地方不同。

权重转换

迁移其实就是在做权重的键值映射对齐，这其中有一些规律可寻，但不多，更多需要自己的分析比对，建立映射字典。

可参考的经验：

• https://gitee.com/lirongxi4/pt2ms_convert
  一个迁移脚本，通用性一般
• https://mindspore.cn/docs/zh-CN/r2.0/migration_guide/overview.html
  MindSpore官方的迁移指南

根据上述迁移经验，打印两种框架的权重的名称及shape进行比对，总结名称转换方式如下（pytorch的名称改为mindspore的）：

import copy, torch
import mindspore as ms

def fcos_pth2ckpt():
    m = ms.load_checkpoint('test.ckpt')  # mindspore FCOS保存的随机权重
    t = torch.load('./weights/FCOS_imprv_R_50_FPN_1x.pth', map_location=torch.device('cpu'))  # pytorch FCOS权重
    match_pt_kv = {}  # 匹配到的pt权重的name及value的字典
    match_pt_kv_mslist = []  # 匹配到的pt权重的name及value的字典, mindspore加载权重需求的格式
    not_match_pt_kv = {}  # 未匹配到的pt权重的name及value
    matched_ms_k = []  # 被匹配到的ms权重名称
    
    '''一般性的转换规则'''
    pt2ms = {'module': 'fcos_body',  # backbone部分
             'stem.': '',
             '.body': '',
             '.rpn': '',
             'downsample': 'down_sample_layer',

             'backbone.fpn': 'fpn',  # FPN部分
             'fpn_inner4': 'prj_5',
             'fpn_layer4': 'conv_5',

             'fpn_inner3': 'prj_4',
             'fpn_layer3': 'conv_4',

             'fpn_inner2': 'prj_3',
             'fpn_layer2': 'conv_3',

             'top_blocks.p': 'conv_out',

             'bbox_tower': 'reg_conv',  # head部分
             'cls_tower': 'cls_conv',
             'bbox_pred': 'reg_pred',

             'scales': 'scale_exp',
             'centerness': 'cnt_logits',

             "running_mean": "moving_mean",  # BN部分
             "running_var": "moving_variance",

             }

    '''BN层的特殊转换规则'''
    pt2ms_bn = {
        "weight": "gamma",
        "bias": "beta",
    }


    for i in t['model'].keys():
        pt_name = copy.deepcopy(i)
        pt_value = copy.deepcopy(t['model'][i])
        
        '''通用的处理'''
        for k, v in pt2ms.items():
            if k in pt_name:
                pt_name = pt_name.replace(k, v)
        '''BN层处理'''
        if 'bn' in pt_name:
            for k, v in pt2ms_bn.items():
                if k in pt_name:
                    pt_name = pt_name.replace(k, v)
        '''下采样层特别处理'''
        if 'down' in pt_name:
            if 'bias' in pt_name:
                pt_name = pt_name.replace('bias', 'beta')
            if 'down_sample_layer.1.weight' in pt_name:
                pt_name = pt_name.replace('weight', 'gamma')

        '''head部分的特殊处理'''
        if 'cls_conv' in pt_name or 'reg_conv' in pt_name:
            if '1' in pt_name or '4' in pt_name or '7' in pt_name or '10' in pt_name:
                pt_name = pt_name.replace('weight', 'gamma')
                pt_name = pt_name.replace('bias', 'beta')

        '''改名成功，匹配到ms中的权重了，记录'''
        if pt_name in m.keys():
            assert pt_value.shape == m[pt_name].shape
            match_pt_kv[pt_name] = pt_value
            match_pt_kv_mslist.append({'name': pt_name, 'data': ms.Tensor(pt_value.numpy(), m[pt_name].dtype)})
            matched_ms_k.append(pt_name)
        else:
            not_match_pt_kv[i + '   ' + pt_name] = pt_value

    '''打印未匹配的pt权重名称'''
    print('\n\n------------------未匹配的pt权重名称--------------------')
    for j in not_match_pt_kv.keys():
        print(j, np.array(not_match_pt_kv[j].shape))

    '''打印未被匹配到的ms权重名称'''
    print('\n\n------------------未被匹配到的ms权重名称--------------------')
    for j in m.keys():
        if j not in matched_ms_k:
            print(j, np.array(m[j].shape))
    print('end')
    return match_pt_kv_mslist

输出：

------------------未匹配的pt权重名称--------------------

------------------未被匹配到的ms权重名称--------------------
fcos_body.backbone.end_point.weight [1001 2048]
fcos_body.backbone.end_point.bias [1001]

这俩权重不参与模型forward，是冗余的。
match_pt_kv_mslist就是转换后的mindspore权重，加载后测试发现输出有很大出入，第一个原因是mindspore1.10的ops.sort算子有bug，已提交[issue]https://gitee.com/mindspore/mindspore/issues/I7EHKI)，后续版本修复了，所以我升级到2.0.0版本了，其他原因就是网络实现未对齐，接下来主要讲这部分。

区别一：输入处理未对齐

MindSpore FCOS项目链接 输入处理方式就与FCOS官方pytorch实现不一样

• offical pytorch FCOS：BGR 255 ，使用（mean=[102.9801, 115.9465, 122.7717], std=[1., 1., 1.]）进行归一化
• MindSpore FCOS：RGB, 使用(mean=[0.40789654, 0.44719302, 0.47026115], std=[0.28863828, 0.27408164, 0.27809835])进行归一化

其他的裁剪，图像padding对推理结果影响不会很大。

归一化对齐为官方实现后仍发现图片值仍有不同（B通道的最大值不一样），可能Normalize的底层实现有区别？没有深究，后续直接用torch的Normalize结果张量输入到mindspore中以实现模型输入对齐。

输入对齐后的测试：使用coco2017验证集第一张图像（val/000000000139.jpg），resize到（800,1216）大小，两个框架的模型分别输入进去，输出有差别，

进行排查，发现模型第一个卷积的padding没对齐。

区别二：第一个7x7卷积padding方式未对齐

pytorch：

torch默认pad模式

卷积结果：

mindspore：

same模式下的卷积跟torch的pad模式下肯定不一样，且两种框架的same也不一样：算子区别

结果自然不一样：

原实现：

nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=0, pad_mode='same', weight_init=weight)

改为：

nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3, pad_mode='pad', weight_init=weight)

结果这就对了。

其实发现设置mindsporefocs实现的resnet中的self.res_base=True就会调用正确的7x7卷积。

第一个卷积对了，但后面BN层就不对了，官方的BN层是一种frozenBN，没有使用eps，去除了eps按公式手动计算，但还是有误差，不知为何…

此外，mindspore实现的fcos的卷积pad_mode全选的same，这个肯定与官方的对不齐，pytorch官方的全使用的zeros模式，对应的mindspore应该是pad模式吧

FCOS对齐先放在这儿，后续再处理，已经有了一定的经验，先去做TOOD的迁移。