zoukankan      html  css  js  c++  java
  • 将模型转为NNIE框架支持的wk模型第一步:tensorflow->caffe

    摘要:本系列文章旨在分享tensorflow->onnx->Caffe->wk模型转换流程,主要针对的是HI3516CV500, Hi3519AV100 支持NNIE推理框架的海思芯片的算法工程落地。

    本文分享自华为云社区《将模型转为NNIE框架支持的wk模型——以tensorflow框架为例(一)》,原文作者:wwwyx_*^▽^*  。

    使用过NNIE框架的同学都知道,NNIE框架只支持wk模型的推理。

    实际使用过程中用海思提供的转换软件工具 RuyiStudio 将 caffe 1.0 模型转为wk。一般情况下如果购买了芯片,海思将会直接将相关的SDK包发送给客户,如果没有的话,大家可以从这个链接获取:RuyiStudio

    从上面可知,最终需要将别的框架模型转为caffe才可以使用RuyiStudio,目前主流框架包含pytorch、tensorflow、mxnet等,关于pytorch转caffe之前已经有大佬写过了pytorch->caffe,有需要的同学可以去看下。本文主要讲述tensorflow框架转为caffe可能会遇到的问题以及解决方法。mxnet有直接的接口可以转onnx,也可以参考这篇文章做caffe转换。

    下面进入正题。

    tensorflow->caffe

    这个真的是个大坑(哭泣),这里我使用了中间模型onnx,即最终成功转换的路径是 pb->onnx->caffe->wk,下面就说一下具体的操作吧~

    第一步:tensorflow->onnx

    这一步是最简单的一步= =,目前转了一些模型还没有在这里遇到坑。
    使用github上的开源项目:tensorflow->onnx,直接使用pip install 安装后使用。

    关注一下都有哪些参数,每个参数的作用,主要是输入、输出、推理使用nchw还是nhwc(caffe框架为nchw,所以这里都使用nchw)、opset(默认使用 9 ),很多的参数我没有使用到,大家有疑问可以直接去issues上面看下哈。

    下面给出一个转换命令供大家参考下:

    python -m tf2onnx.convert --input ./model.pb --inputs input_image:0[1,112,112,3] --inputs-as-nchw input_image:0 --outputs output_0:0,output_1:0,output_2:0,output_3:0,output_4:0 --output ./convert.onnx

    得到onnx模型之后,可以使用onnx simplifer将一些零散算子合并,或者将一些冗余算子去除,这个工具视情况使用。

    python -m onnxsim input_onnx_model output_onnx_model

    转换为onnx之后,需要验证输出的结果是否与pb一致,一致后再走后面的流程!!

    第二步:onnx->caffe

    这里已经得到了onnx模型,但是距离成功还有99%的路要走!!

    这一小节Baseline:onnx2caffe

    环境: caffe 1.0 + onnx 1.8.0

    主要功能代码:

    onnx2caffe
    
    +-- onnx2caffe
    
    |   +-- _operators.py
    
    |   +-- _weightloader.py
    
    +-- convertCaffe.py
    
    +-- MyCaffe.py

    运行命令:

    python convertCaffe.py ./model/MobileNetV2.onnx ./model/MobileNetV2.prototxt ./model/MobileNetV2.caffemodel

    在转换过程中如果遇到了问题,可以从下面几个方面来适配,

    (1)遇到caffe与NNIE不支持的算子,可以修改onnx模型中的node以适配caffe(这里要发动自己的小脑筋,一些算子替换可以参考一下pytorch->caffe这篇博客)。
    (2)如果遇到了NNIE与onnx支持的算子,但是caffe 1.0 官方不支持的话,可以在caffe中添加新的层,重新编译之后,再做转换。caffe中添加新的层可以参考:caffe 添加新node

    (3)caffe与NNIE都支持的算子,但是转换工具没有支持该算子的转换,在转换代码中添加相应的算子实现。
    (4)转换过程中算子转换成功,但是出现了shape问题,手动添加一些不需要参数的操作在已经生成的prototxt中。

    针对上面的每个方法给出对应的解决方式。

    修改onnx模型中的node以适配caffe

    改写onnx模型,首先需要了解一下onnx都支持哪些算子。

    onnx支持的op:onnx op

    更换模型中的操作时,查看该node的输入输出模式,按照格式对模型进行改写。onnx模型改写涉及多种情况,下面介绍几种常用的方法。

    1.关于node的改写有时需要已知其输入输出size,故一开始先准备一个包含每个node输入输出的onnx模型。

    import onnx.helper as helper
    from onnx import shape_inference, TensorProto
    import onnxruntime
    import onnx
    
    def add_input_output_from_onnx(onnx_path, save_path):
        ONNX_DTYPE = {
            0: TensorProto.FLOAT,
            1: TensorProto.FLOAT,
            2: TensorProto.UINT8,
            3: TensorProto.INT8,
            4: TensorProto.UINT16,
            5: TensorProto.INT16,
            6: TensorProto.INT32,
            7: TensorProto.INT64,
            8: TensorProto.STRING,
            9: TensorProto.BOOL
        }
    
        # load model
        onnx_model = onnx.load(onnx_path)
        graph = onnx_model.graph
    
        # rewrite the input tensor of graph
        input_tensor = graph.input[0]
        input_shape = input_tensor.type.tensor_type.shape.dim
        input_tensor_new = onnx.helper.make_tensor_value_info(name = input_tensor.name, elem_type = 1,
                                                              shape = [1, input_shape[1].dim_value, input_shape[2].dim_value, input_shape[3].dim_value])
        graph.input.remove(input_tensor)
        graph.input.insert(0, input_tensor_new)
    
        # append all tensor infos to graph input
        weight_infos = []
        tensors = graph.initializer
        for i, tensor in enumerate(tensors):
            value_info = helper.make_tensor_value_info(tensor.name, ONNX_DTYPE[tensor.data_type], tensor.dims)
            weight_infos.append(value_info)
            graph.input.insert(i+1, value_info) # because 0 is for placeholder, so start index is 1
    
        # run node shape inference
        node = graph.node
        value_info = graph.value_info
        inferred_onnx_model = shape_inference.infer_shapes(onnx_model)
        onnx.checker.check_model(onnx_model)
        inferred_graph = inferred_onnx_model.graph
        inferred_value_info = inferred_graph.value_info
        onnx.save(inferred_onnx_model,save_path)
        return

    使用netron打开onnx模型,查看添加size之后的变化:

    添加node的输入输出size

    2.遇到caffe与NNIE不支持的算子,删除onnx模型中的node,将相关操作在外部的预处理阶段进行。这种情况只涉及onnx模型中已经存在的节点删除与改变已有边连接的关系,不涉及新的边关系的建立。

    ` 这里使用graph中node的index来访问node
      该代码删除graph node 0,1,2
      并且修改node 3的input边
      即   input_image --> mul_1 --> sub --> mul --> conv1
      变为 input_image --> conv1
    `
    def delete_node(onnx_path, save_path):
        onnx_model = onnx.load(onnx_path)
        graph = onnx_model.graph
        Mul_1 = graph.node[0]
        sub = graph.node[1]
        mul = graph.node[2]
    
        conv1 = graph.node[3]
        conv1.input[0] = Mul_1.input[0]
    
        graph.node.remove(Mul_1)
        graph.node.remove(sub)
        graph.node.remove(mul)
    
        onnx.checker.check_model(onnx_model)
        onnx.save(onnx_model, save_path)

    3.更改caffe与NNIE不支持的算子,修改onnx模型中的node去适配。如 squeeze 算子,squeeze算子在onnx->caffe的时候会报错,这时可以将onnx模型中的squeeze替换为reshape算子。reshape需要两个输入,而squeeze只对应一个输入,这时需要在graph中创建一个新的常数tensor input。这种情况涉及更换已经存在的node,新的常数tensor的加入,但并不涉及新的边关系的建立。

    `查看onnx op的操作,reshape需要两个输入
    对于reshape需要将一个shape tensor加入到onnx graph中,
    tensor size可以查看第一步生成的onnx model中该squeeze node对应的output size
    
    即   input --> squeeze --> output
    变为 input --> reshape(shape) --> output`
    def remove_headpose_squeeze_node(onnx_path, save_path):
        onnx_model = onnx.load(onnx_path)
        graph = onnx_model.graph
        ## 添加常数 input
        shape = onnx.helper.make_tensor('shape', onnx.TensorProto.INT64, [2], [1,3])
        graph.initializer.append(shape)
        for i in range(len(graph.node)):
            if graph.node[i].op_type == "Squeeze":
                reshape_node_def = helper.make_node(
                            'Reshape', # node name
                            inputs=[graph.node[i].input[0], 'shape'], # inputs
                            outputs=[graph.node[i].output[0]], # outputs
                            name = graph.node[i].name
                        )
                graph.node.remove(graph.node[i])
                graph.node.insert(i, reshape_node_def)
    
        onnx.checker.check_model(onnx_model)
        onnx.save(onnx_model, save_path)

    4.caffe不支持div算子,可以将div算子转为pow+mul。这种情况涉及将一个node更换为两个,新的常数tensor的加入,以及新的边连接关系。

    div 操作: z = x / y

    更换为 pow + mul, pow为幂操作,mul为乘法操作:

    temp = pow(y, -1)
    z = temp * x

    `
    
    即:
    
    input_x    input_y
    
     \   //
    
      \ //
    
       div
    
    更改为:
    
    input_x         input_y
    
     \         //
    
      \       //
    
       \      pow(常数tensor作为指数输入)
    
        \    //
    
         \  //  --> (新的边)
    
          mul
    
    `
    
    def change_headpose_div_node(onnx_path, save_path):
    
        onnx_model = onnx.load(onnx_path)
    
        graph = onnx_model.graph
    
        pow_scale = onnx.helper.make_tensor('pow_scale', onnx.TensorProto.FLOAT, [3], [-1.0, -1.0, -1.0])
    
        mul12_output = helper.make_tensor_value_info('pred_pose/mul_12_pow_output:0', onnx.TensorProto.FLOAT, [1, 3])
    
        graph.initializer.append(pow_scale)
    
    
    
       # 'pred_pose/mul_12:0' 类似于上图中的input_y
    
       #  pow_scale 为上面创建的相应的指数tensor
    
       # 'pred_pose/mul_12_pow_output:0' 为新建的output tensor
    
       #  pow name 给一个不与图中node重复的name
    
        mul12_pow_node_def = helper.make_node(
    
            'Pow', # node name
    
            inputs=['pred_pose/mul_12:0', 'pow_scale'], # inputs
    
            outputs=['pred_pose/mul_12_pow_output:0'], # outputs
    
            name = 'pred_pose/mul_12_pow'
    
        )
    
        graph.node.insert(len(graph.node), mul12_pow_node_def)
    
    
    
        for i in range(len(graph.node)):
    
            if graph.node[i].name == "pred_pose/truediv_3":
    
                input1 = graph.node[i].input[0]
    
                input2 = graph.node[i].input[1]
    
                output = graph.node[i].output[0]
    
                name = graph.node[i].name
    
                pow_node_def = helper.make_node(
    
                    'Mul', # node name
    
                    inputs=[input1, mul12_pow_node_def.output[0]], # inputs
    
                    outputs=[output], # outputs
    
                    name = name
    
                )
    
                print(graph.node[i].name, i)
    
                graph.node.remove(graph.node[i])
    
                graph.node.insert(i, pow_node_def)
    
                break
    
    
    
        graph = helper.make_graph(graph.node, graph.name, graph.input, graph.output, graph.initializer)
    
        info_model = helper.make_model(graph)
    
        model = onnx.shape_inference.infer_shapes(info_model)
    
        onnx.save(model, save_path)

    经过这个修改之后,使用netron查看node边关系,看是否正确。

    5.打印onnx中间某个节点的输出,需要在graph加一个output tensor。

    def add_outputNode_info(onnx_path, add_name, output_size, save_path):
        onnx_model = onnx.load(onnx_path)
        graph = onnx_model.graph
        prob_info =  helper.make_tensor_value_info(add_name,onnx.TensorProto.FLOAT, output_size)
        graph.output.insert(0, prob_info)
        onnx.save(onnx_model, save_path)
        return
    
    if __name__ == '__main__':
        onnx_model = './model.onnx'
        add_node_path = "./addPreprocessOutput.onnx"
        # "mul:0": 想要输出node的output name
        # [1,24,14,14]: 想要输出node的output size
        add_outputNode_info(onnx_model, "mul:0", [1,24,14,14], add_node_path)

    上面的例子已经将大部分node修改的情况涵盖了,修改onnx模型可以参考上述代码。

    小tips:Reshape大法好,各种跟维度有关系的都可以用reshape来代替,除此之外,transpose也是网红node,具体问题具体分析~

    在转换代码中添加相应的算子实现

    在caffe中添加新的层没什么好说的,按照上面给的链接来就可以,这里主要介绍下如何修改转换代码去适配某个模型转换。经过上面修改onnx模型这一步,我们已经将onnx模型中的node全部换为caffe与NNIE支持的算子了,但这时onnx2caffe可能还会出现问题,下面会从不同的情况做onnx2caffe代码适配来逐步完成模型转换。

    1.caffe和NNIE都支持某个操作,但是onnx2caffe模型转换时报错。

    如:TanH操作,从源码/caffe/src/caffe/layers/中看到有tanh层的实现,NNIE也支持该操作,但是转换报错。查看onnx2caffe源码发现没有TanH的转换实现,这时需要我们添加相应的转换代码,主要修改_operators.py、_weightloader.py两个文件,下面以TanH为例讲解一下怎么增加转换node。

    _operators.py 文件用来实现onnx操作到Caffe操作的变换。对于TanH的适配,首先需要在文件的最后注册算子模块添加TanH,然后增加转换代码。

    `转换代码:`
    
    def _convert_tanH(node,graph,err):
    
        input_name = str(node.inputs[0])
    
        output_name = str(node.outputs[0])
    
        name = str(node.name)
    
        layer = myf("TanH",name,[input_name],[output_name])
    
        graph.channel_dims[output_name] = graph.channel_dims[input_name]
    
        return layer
    
       
    
    `添加注册算子:`
    
    _ONNX_NODE_REGISTRY = {
    
        ……
    
        "Tanh": _convert_tanH,
    
    }

    _weightloader.py 文件用来实现node参数从onnx到Caffe的传递。第一步也是在文件末尾添加注册算子,添加同_operators.py。第二步,从 caffe.proto 中查看tanh操作是否存在weight:

    message TanHParameter {
    
      enum Engine {
    
        DEFAULT = 0;
    
        CAFFE = 1;
    
        CUDNN = 2;
    
      }
    
      optional Engine engine = 1 [default = DEFAULT];
    
    }

    由于tanh操作不存在weight,所以onnx到caffe的参数传递为空:

    def _convert_tanH(net, node, graph, err):
    
        pass

    至此,在onnx2caffe中添加tanh操作就完成了,具体工程就包含修改上面两个文件夹,主要是注册算子、操作转换的实现、weight值传递。

    2.caffe和NNIE都支持某个操作,onnx2caffe也支持该操作,但是操作中有一个输入在模型中被写为weight,与原来的实现不一致。

    如: mul算子,普通的mul算子一般都包含两个输入,模型中可能会存在mul算子只有一个输入,另一个输入作为weight参数,如下所示:

    mul的两种输入形式

    这种情况下,由于已经存在了mul的注册算子,我们只需要在mul算子转换的时候新加一个分支来实现就可以了,还是只涉及两个文件的改写。

    _operators.py 添加分支代码

    def _convert_input1_is_weight_mul(node,graph,max_dim, err):
    
        node_name = node.name
    
        `这里的input_name需要在netron视图中观察一下是哪一个input作为外部输入,这里不能写 weight 的输入名称!`
    
        input_name = str(node.inputs[0])
    
        output_name = str(node.outputs[0])
    
        scale_layer = myf("Scale", node_name, [input_name],[output_name],in_place=False,bias_term=False)
    
        graph.channel_dims[output_name] = max_dim
    
        return scale_layer
    
    def _convert_Mul(node,graph,err):
    
        input_name_list = [str(i) for i in node.inputs]
    
        output_name = str(node.outputs[0])
    
        node_name = node.name
    
    
    
        `这里使用node_name 判断mul算子是否是一个input,新增只有一个input的分支`
    
        if node_name == "mul_1":
    
            max_dim = 16
    
            return _convert_input1_is_weight_mul(node,graph,max_dim, err)
    
    
    
        ···
    
        ···

    _weightloader.py 也不需要重新注册,直接添加分支代码

    def _convert_input1_is_weight_mul(net, node, graph, err):
    
        node_name = node.name
    
    
    
        ` 注意!!
    
          scale = np.ones(3) * 3.0
    
          对应的是 外部输入size =(1,3), weight size = (1),
    
          这种情况可以借助 numpy 实现weight与外部输入的channel对齐
    
    
    
          这里还有另外一种情况,例如 外部输入 size = (1,128,8,8), weight = (1,128,1,1)
    
          可以这样操作:scale = node.input_tensors[node.inputs[1]]
    
                       scale = np.reshape(scale, scale.shape[1])
    
         `
    
    
    
        scale = np.ones(3) * 3.0
    
        np.copyto(net.params[node_name][0].data, scale, casting='same_kind')
    
    
    
    `mul本身是没有weight的,所以之前就是直接pass`
    
    def _convert_Mul(net, node, graph, err):
    
        node_name = node.name
    
        if node_name == "mul_1":
    
            _convert_input1_is_weight_mul(net, node, graph, err)
    
        else:
    
           pass

    实际转换过程中,add算子也会出现上面的情况,其中有一个输入作为算子参数,这时可以把其类比到 _convert_BatchNorm 中的scale操作,将scale的weight视为1,bias为add算子的内部输入参数,可以参照BatchNorm修改代码,这里就不详细写了。

    转换过程中算子转换成功,但是出现了shape问题,手动修改prototxt

    上面介绍的是算子的适配,但有时通过onnx2caffe转换代码之后,已经生成了prototxt文件,最终报错 feature map 的 shape 不匹配,由于onnx2caffe工具在转换的时候就打印出了每一层的output,通过与netron视图对比,定位第一个出现问题的node。

    onnx2caffe转换输出log
    知己知彼方能百战百胜,为了定位shape为什么不一致,我们先要了解一下不同框架的padding策略以及相应的output size的计算方法。

    • 查看caffe的output size计算方式,根据代码可得:
      output_size=floor((w+2*pad-(d(k-1)+1))/s)+1
    template <typename Dtype>
    void ConvolutionLayer<Dtype>::compute_output_shape() {
        const int* kernel_shape_data = this->kernel_shape_.cpu_data();
        const int* stride_data = this->stride_.cpu_data();
        const int* pad_data = this->pad_.cpu_data();
        const int* dilation_data = this->dilation_.cpu_data();
        this->output_shape_.clear();
        for (int i = 0; i < this->num_spatial_axes_; ++i) {
          // i + 1 to skip channel axis
          const int input_dim = this->input_shape(i + 1);
          const int kernel_extent = dilation_data[i] * (kernel_shape_data[i] - 1) + 1;
          const int output_dim = (input_dim + 2 * pad_data[i] - kernel_extent)/ stride_data[i] + 1;
          this->output_shape_.push_back(output_dim);
        }
    }
    • tensorflow的padding策略可根据这篇博客,结合上面caffe的output size计算,感觉caffe的 conv padding 策略与tensorflow pad=VALID一致,会把不能参与的pixel自动去除不进行计算。

    好了,了解了不同框架的padding策略以及output size的计算方式之后,我们来分析我们的模型,模型转换是这样的:

     

    分析上面模型转换的表格参数:

    • tensorflow pad=SAME,为了使所有的input pixel都参与计算,tensorflow在推理时偷偷在input的右下补了一行0,这样最后的输出:
      output size = (112 - (1 * (3 - 1) + 1) + 1) / 2 + 1 = 56
      其中 (112 - (1 * (3 - 1) + 1) + 1) 斜体1表示偷偷补的0。
    • 对于onnx, 经过查询与实验,发现 pads 参数[0,0,1,1]表示 feature map 上面不补,左边不补,下面补一行 0,右边补一列,与tf一致,输出没有什么问题。
    • 转为caffe之后,caffe模型 conv pad 参数都为0,上下左右都不补,这时根据caffe的outputshape公式,最终计算结果为(1,3,55,55),直接去除input的最后一行和最后一列不参与计算。

    为了使输出shape一致,并且计算结果相同,我采用了下面的解决方法。

    caffe中设置 pad_h:2, pad_w:2。 由于caffe是设置pad参数之后是对称补0的,即input的上下左右都补了两行或者两列0,这时结合output_shape公式,最终输出的shape为:

    output_shape = floor((112 + 2 * 2 - (1 * (3 - 1) + 1) + 1) / 2) + 1 = 57

    思考一下conv原理,就知道此时caffe得到的feature map 只是比tf的多了最上面一行和最左边一列。稍微解释一下,虽然caffe设置pad=2,但是根据caffe的conv实现,会将右下比tf多补的那一行和那一列自动去除,不参与运算。这时feature map输出为(1,3,57,57), 为了得到正确结果,在prototxt文件的conv算子之后添加两个slice操作,去除最上面一行与最左边一列。

    layer {
    
      name: "add_slice1"
    
      type: "Slice"
    
      bottom: "depthwise:0"
    
      top: "add_slice1/split:0"
    
      top: "add_slice1/split:1"
    
      slice_param {
    
        axis: 2
    
        slice_point: 1
    
      }
    
    }
    
    
    
    layer {
    
      name: "add_slice2"
    
      type: "Slice"
    
      bottom: "add_slice1/split:1"
    
      top: "add_slice2/split:0"
    
      top: "add_slice2/split:1"
    
      slice_param {
    
        axis: 3
    
        slice_point: 1
    
      }
    
    }

    上面就是针对caffe模型的适配,东西很多很杂,有时候需要一些新奇的思路才能解决问题,当然还涉及一些prototxt文件中算子param的修改,具体问题具体分析,这里就不展开讲了。

    第三步:验证

    将得到的caffe模型的输出结果与pb的输出结果进行对比,一般情况下应该是一模一样的,如果不一样主要关注一下 输入预处理,输出预处理,被修改的node之前的那个node的输出是不是OK(主要是定位是不是自己改的node的问题),切忌心浮气躁,掌握方法。每进行一次魔改都做一次推理,这样比较好定位。

     

    总结

    对于tf转caffe确实有一些麻烦,上面可能也只是列了万分之一的问题吧,不过希望可以帮助到大家。大家针对这方面什么好的想法希望可以多交流奥~

    针对onnx模型的魔改可能是多余的,应该将相关的转换方式直接写进onnx2caffe的转换工具中会更加好,但是之前想着修改onnx会更简单些,之后希望可以有时间把转换工具修改的更通用一些

    强烈要求算法同学训练模型之前先看下NNIE框架支持的算子类型!!具体参考《HiSVP 开发指南》5.3.2节支持的算子类型以及3.1.6.2每个算子支持的规格,避免模型转换不过去又要返工!!

    点击关注,第一时间了解华为云新鲜技术~

  • 相关阅读:
    带有参数的存储过程
    不实用数据库实现保存和查询功能
    http错误代码(快速了解错误所在)
    ListBox的应用(左边中的信息移至右边)
    省市县三级连动(数据在一个表中)
    简单的实现用户注册时,向其油箱发送激活码邮件,并进行状态处理。 .
    省级三连动(二)
    省市选择期三级联动
    百钱百鸡
    MySQL命令简单应用
  • 原文地址:https://www.cnblogs.com/huaweiyun/p/14814663.html
Copyright © 2011-2022 走看看