共用方式為

將 PyTorch 定型模型轉換為 ONNX

  • 發行項

注意

為了獲得更大的功能， PyTorch 也可以與 Windows 上的 DirectML 搭配使用。

在本教學課程的上一個階段中，我們使用 PyTorch 來建立機器學習模型。 不過，該模型是檔案 .pth 。 若要能夠將其與 Windows ML 應用程式整合，您必須將模型轉換成 ONNX 格式。

匯出模型

若要匯出模型，您將使用 函式 torch.onnx.export() 。 此函式會執行模型，並記錄用來計算輸出的運算符追蹤。

  1. 將下列程式代碼 PyTorchTraining.py 複製到 Visual Studio 中的檔案，位於您的 main 函式上方。
import torch.onnx 

#Function to Convert to ONNX 
def Convert_ONNX(): 

    # set the model to inference mode 
    model.eval() 

    # Let's create a dummy input tensor  
    dummy_input = torch.randn(1, input_size, requires_grad=True)  

    # Export the model   
    torch.onnx.export(model,         # model being run 
         dummy_input,       # model input (or a tuple for multiple inputs) 
         "ImageClassifier.onnx",       # where to save the model  
         export_params=True,  # store the trained parameter weights inside the model file 
         opset_version=10,    # the ONNX version to export the model to 
         do_constant_folding=True,  # whether to execute constant folding for optimization 
         input_names = ['modelInput'],   # the model's input names 
         output_names = ['modelOutput'], # the model's output names 
         dynamic_axes={'modelInput' : {0 : 'batch_size'},    # variable length axes 
                                'modelOutput' : {0 : 'batch_size'}}) 
    print(" ") 
    print('Model has been converted to ONNX')

請務必在導出模型之前呼叫 model.eval() 或 model.train(False) ，因為這會將模型設定為 推斷模式。 這是必要的，因為運算符類似 dropout 或 batchnorm 的行為在推斷和定型模式上不同。

  1. 若要執行對 ONNX 的轉換，請將對轉換函式的呼叫新增至 main 函式。 您不需要再次定型模型，因此我們會將不再需要執行的一些函式批注化。 您的主要函式如下所示。
if __name__ == "__main__": 

    # Let's build our model 
    #train(5) 
    #print('Finished Training') 

    # Test which classes performed well 
    #testAccuracy() 

    # Let's load the model we just created and test the accuracy per label 
    model = Network() 
    path = "myFirstModel.pth" 
    model.load_state_dict(torch.load(path)) 

    # Test with batch of images 
    #testBatch() 
    # Test how the classes performed 
    #testClassess() 
 
    # Conversion to ONNX 
    Convert_ONNX()
  1. 選取 Start Debugging 工具列上的按鈕或按 ，再次執行 F5專案。 不需要再次定型模型，只要從專案資料夾載入現有的模型即可。

輸出如下所示。

ONNX 轉換程式

流覽至您的專案位置，並尋找模型旁邊的 .pth ONNX 模型。

注意

有興趣深入了解嗎？ 檢閱 導出模型的 PyTorch 教學課程。

探索您的模型。

  1. ImageClassifier.onnx使用 Netron 開啟模型檔案。

  2. 選取數據節點以開啟模型屬性。

ONNX 模型屬性

如您所見，模型需要 32 位張量（多維度陣列）float 物件做為輸入，並傳回 Tensor 浮點數做為輸出。 輸出數位會包含每個標籤的機率。 您建置模型的方式、標籤會以10個數位表示，而每個數位都代表物件的十個類別。

標籤 0 標籤 1 標籤 2 標籤 3 標籤 4 標籤 5 標籤 6 標籤 7 標籤 8 標籤 9
0 1 2 3 4 5 6 7 8 9
平面 汽車 bird cat 鹿 dog 青蛙 馬 船 truck

您必須擷取這些值，才能使用Windows ML 應用程式顯示正確的預測。

後續步驟

我們的模型已準備好部署。 接下來，針對主要事件 - 讓我們 建置 Windows 應用程式，並在您的 Windows 裝置本機執行。