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 onnxpip 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(modelx,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shapemodel.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