这篇文章主要介绍“PyTorch模型怎么转换为ONNX格式”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“PyTorch模型怎么转换为ONNX格式”文章能帮助大家解决问题。
1. 安装依赖
将PyTorch模型转换为ONNX格式可以使它在其他框架中使用，如TensorFlow、Caffe2和MXNet
首先安装以下必要组件：
Pytorch
ONNX
ONNX Runtime（可选）
建议使用
conda环境，运行以下命令来创建一个新的环境并激活它：
conda create -n onnx python=3.8 conda activate onnx
接下来使用以下命令安装PyTorch和ONNX：
conda install pytorch torchvision torchaudio -c pytorch pip install onnx
可选地，可以安装ONNX Runtime以验证转换工作的正确性：
pip install onnxruntime
2. 准备模型
将需要转换的模型导出为PyTorch模型的
.pth文件。使用PyTorch内置的函数加载它，然后调用eval()方法以保证close状态：
import torch.nn as nn import torch.nn.functional as F import torch.optim as optim import torch.onnx import torchvision.transforms as transforms import torchvision.datasets as datasets class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) x = x.view(-1, 16 * 5 * 5) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x net = Net() PATH = './model.pth' torch.save(net.state_dict(), PATH) model = Net() model.load_state_dict(torch.load(PATH)) model.eval()
3. 调整输入和输出节点
现在需要定义输入和输出节点，这些节点由导出的模型中的张量名称表示。将使用PyTorch内置的函数
torch.onnx.export()来将模型转换为ONNX格式。下面的代码片段说明如何找到输入和输出节点，然后传递给该函数：
input_names = ["input"] output_names = ["output"] dummy_input = torch.randn(batch_size, input_channel_size, input_height, input_width) # Export the model torch.onnx.export(model, dummy_input, "model.onnx", verbose=True, input_names=input_names, output_names=output_names)
4. 运行转换程序
运行上述程序时可能遇到错误信息，其中包括一些与节点的名称和形状相关的警告，甚至还有Python版本、库、路径等信息。在处理完这些错误后，就可以转换PyTorch模型并立即获得ONNX模型了。输出ONNX模型的文件名是
model.onnx。
5. 使用后端框架测试ONNX模型
现在，使用ONNX模型检查一下是否成功地将其从PyTorch导出到ONNX，可以使用TensorFlow或Caffe2进行验证。以下是一个简单的示例，演示如何使用TensorFlow来加载和运行该模型：
import onnxruntime as rt
import numpy as np
sess = rt.InferenceSession('model.onnx')
input_name = sess.get_inputs()[0].name
output_name = sess.get_outputs()[0].name
np.random.seed(123)
X = np.random.randn(batch_size, input_channel_size, input_height, input_width).astype(np.float32)
res = sess.run([output_name], {input_name: X})这应该可以顺利地运行，并且输出与原始PyTorch模型具有相同的形状（和数值）。
6. 核对结果
最好的方法是比较PyTorch模型与ONNX模型在不同框架中推理的结果。如果结果完全匹配，则几乎可以肯定地说PyTorch到ONNX转换已经成功。以下是通过PyTorch和ONNX检查模型推理结果的一个小程序：
# Test the model with PyTorch
model.eval()
with torch.no_grad():
Y = model(torch.from_numpy(X)).numpy()
# Test the ONNX model with ONNX Runtime
sess = rt.InferenceSession('model.onnx')
res = sess.run(None, {input_name: X})[0]
# Compare the results
np.testing.assert_allclose(Y, res, rtol=1e-6, atol=1e-6)