文章目录
- 1、pytorch导出onnx模型
- 2、使用onnxruntime推理onnx模型
- 3、精度对齐
- 4、总结
深度学习框架种类繁多，想实现任意框架之间的模型转换是一件困难的事情。但现在有一个中间格式ONNX，任何框架模型都支持转为ONNX，然后也支持从ONNX转为自身框架，那么每一种框架都只需维护如何ONNX进行转换即可，大大降低了维护成本，也给使用的开发者带来遍历。
如图所示，中间件不止一种，但是ONNX是使用最广泛的一种。需要注意的是，中间件只是一个描述格式，比如resnet18.onnx这个从pytorch导出的onnx中间件中描述了每一个算子的属性，算子中的权重数值，算子之间的运算图。我们需要一个引擎或框架转为自身特定的格式后，再使用推理功能进行推理。（类似一张jpeg图片在电脑中只是一串数值，必须借用图片解析工具如照片浏览器等软件解析jpeg的数值后才能显示。所以需要区分数据和数据能实现的功能是两回事）
下面我们尝试从pytorch导出resnet18为onnx中间件，然后使用onnxruntime（和onnx不一样，这是一个推理引擎，只不过是专门针对onnx格式的，所以支持直接加载onnx模型推理。如果使用tensorrt推理引擎，则需要将onnx转为tensrort支持的格式后再加载推理）进行推理，并检查使用pytorch推理的结果和onnxruntime推理的结果之间的差异有多大。
1、pytorch导出onnx模型
首先需要安装：
pip install onnx
pytorch提供了对onnx的支持，现在让我们尝试将pytorch的resnet18导出为onnx模型。
import torch
import torchvision# 创建一个符合输入shape的假数据
dummy_input = torch.rand(1, 3, 224, 224, dtype=torch.float32, device="cuda:0")
resnet18 = torchvision.models.resnet18(weights=torchvision.models.ResNet18_Weights.IMAGENET1K_V1).cuda()input_names = ["input:0"] # 给输入节点取个名字，会伴随后续流程，方面我们定位输入节点
output_names = ["output:0"] # 同上
export_path = "resnet18.onnx" # 保存路径# 导出
with torch.no_grad():torch.onnx.export(model=resnet18,args=dummy_input,f=export_path,opset_version=11,verbose=True,input_names=input_names,output_names=output_names)
在使用export函数时，我们手动定义了一个假数据，其shape和resnet18要求的输入一致。pytorch转onnx的原理不是通过分析语法进行转换的，而是让pytorch运行一次，然后通过追踪数据流，得到该组输入对应的计算图。 所以就是要给定一个输入，执行一遍模型，把对应的计算图记录下来，保存为onnx格式。export函数就是用的该种追踪方式导出的。（一个问题是如果模型中存在控制流，本次输入走分支1，那就只会记录只有分支1的模型，所以含有控制流的模型不能简单使用这种方法），所以这也就是为什么需要给定一组输入，同时为什么要with torch.no_grad了，因为我们只是追踪计算图而不需要梯度。
初次之外还定义了input_names和output_names，两个都是列表，因为某些模型不止一个输入输出。这里给每一个输入输出定义一个名字，后续我们可以根据名字直接定位到输入输出节点，获取数据。特别的如果想获取中间节点数据，也可以通过其名字定位节点获取数据。
opset_version是定义算子集。ONNX给每一个算子都有一个名字，比如ONNX定义了卷积名字为Conv，其他框架看到Conv开头的数据定义，明白这是一个卷积层， 会使用自身的卷积算子去映射，实现转换。但是深度学习各种算法更新很快，所以ONNX与时俱进会不断新增新的算子，你可以通过Operator Schemas查看到是否有自己想要得算子，以及它出现在那个版本。
2、使用onnxruntime推理onnx模型
当我们将pt模型转为onnx模型后，使用onnxruntime引擎进行推理。
首先需要安装推理引擎
Pip install onnxruntime # 支持onnx中间件的推理引擎
完整的推理代码如下：
import cv2
import torchvision
import numpy as np
import onnxruntime# 获取ImageNet1K的标签
labels = torchvision.models.ResNet18_Weights.IMAGENET1K_V1.value.meta["categories"]
# 使用InferenceSession创建一个引擎以供后续推理，CPUExecutionProvider指定使用CPU
session = onnxruntime.InferenceSession("resnet18.onnx", providers=['CPUExecutionProvider'])def preprocess(cvimg):# 将图像大小调整为 (224, 224)image_resized = cv2.resize(cvimg, (224, 224))# 将图像转换为 NumPy 数组，并将像素值缩放到 [0, 1]image_normalized = image_resized / 255.0# 对图像进行归一化mean = np.array([0.485, 0.456, 0.406])std = np.array([0.229, 0.224, 0.225])image_normalized = (image_normalized - mean) / std# 调整图像维度顺序，OpenCV 默认通道顺序为 BGR，而 PyTorch 默认为 RGBreturn np.transpose(image_normalized, (2, 0, 1)).astype(np.float32)img = cv2.imread(img_path)
inp = preprocess(img) # 预处理，得到shape=(3,224,224)的图片
inp = np.expand_dims(inp, axis=0) # 升维得到shape=(1,3,224,224)，BS和导出ONNX定义的假数据的BS一致# run函数用于推理，output_names指明了要获取哪个节点的数据，input_feed使用字典给所有的输入指定输入数据
output = session.run(output_names=["output:0"], input_feed={"input:0": inp}) # output是列表，其中是节点"output:0"的数据，shape=(1,1000)
实际上output列表中的一个元素就是一个节点的输出，如下图如果定义两个输出节点，表示我要获取这两个节点的数据。那么output列表长度就是节点数量。
3、精度对齐
当我们将pt模型转为onnx模型后，使用onnxruntime引擎进行推理。考虑到1）模型数据转换时存在误差；2）不同框架（pt和onnxruntime）对同一个算子的实现也可能存在差异；3）图像预处理实现方法不同等原因，两种框架的推理结果是有一定差异的。但是只要这个差异在容忍的范围内，都是可以接受的。
下面我们同时使用pytorch框架和onnxruntime框架对pt模型和onnx模型进行推理。onnxruntime的输入输出使用numpy的ndarray数据。
为了简明，使用numpy产生随机数据，然后同时给pytorch（转tensor）和onnxruntime，保证了输入的一致性。我们期望两个框架的输出也应该尽可能的相似。
下面的代码将随机生成20个假数据，然后pt和onnxruntime分别进行运算，并将结果储存在pt_output_array和onnx_output_array，最后计算这两个结果集的差异。
import torch
import torchvision
import numpy as np
import onnxruntimeresnet18 = torchvision.models.resnet18(weights=torchvision.models.ResNet18_Weights.IMAGENET1K_V1)
labels = torchvision.models.ResNet18_Weights.IMAGENET1K_V1.value.meta["categories"]
resnet18.eval()session = onnxruntime.InferenceSession("resnet18.onnx", providers=['CPUExecutionProvider'])# 创建ndarray用于储存输入和输出数据
pt_inp_array = np.zeros([20, 1, 3, 224, 224], dtype=np.float32)
onnx_inp_array = np.zeros([20, 1, 3, 224, 224], dtype=np.float32)pt_output_array = np.zeros([20, 1, 1000], dtype=np.float32)
onnx_output_array = np.zeros([20, 1, 1000], dtype=np.float32)for idx in range(20):dummy_input = np.random.random([1, 3, 224, 224]).astype(np.float32) # 随机生成一个假数据pt_inp_array[idx] = dummy_input # 将pytorch的输入记录with torch.no_grad():output = resnet18(torch.tensor(dummy_input))pt_output_array[idx] = output.cpu().detach().numpy() # 将pytorch的输出记录onnx_inp_array[idx] = dummy_input # 将onnx的输入记录output = session.run(output_names=["output:0","output:0"], input_feed={"input:0": dummy_input})onnx_output_array[idx] = output[0] # 将onnx的输出记录# 检查pt和onnx输入的差异，因为是相同的，所以没有差异
np.testing.assert_allclose(pt_inp_array, onnx_inp_array, rtol=1e-10, atol=1e-10)# 检查pt和onnx输出的差异，经过测试在1e-06等级左右
np.testing.assert_allclose(pt_output_array, onnx_output_array, rtol=1e-10, atol=1e-10)
结果如图所示。np.testing.assert_allclose(pt_inp_array, onnx_inp_array, rtol=1e-10, atol=1e-10)是没有报错的，因为实际上输入是一样的，所以差异为0。但是输出报错了，总共有20000个参数，其中有19244个参数差异不满足设定的1e-10。实际上这里设定的阈值很小，一般设定在1e-5（不是绝对的，根据任务调整）。
设定阈值为1e-5后：np.testing.assert_allclose(pt_output_array, onnx_output_array, rtol=1e-5, atol=1e-5)，不再报错，说明精度基本对齐。
4、总结
在本文中我们使用pytorch自带的工具将pt模型转为onnx模型，并使用onnxruntime推理引擎进行推理。为了保证模型转换过程中精度，进行了精度对齐的小实验，证明转换前后的误差在1e-6这个级别，是可以忍受的。
后续继续将onnx转为tensorRT进行部署，实现从pt–onnx–tensorRT这个部署路线。
