Pytorch_模型转Caffe（三）pytorch转caffemodel

目录

• Pytorch_模型转Caffe（三）pytorch转caffemodel
  • 1. Pytorch下生成模型
  • 2. pth转换成caffemodel和prototxt
  • 3. pytorch_to_caffe_alexNet.py剖析
  • 4. 用转换后的模型进行推理
  • 5. prototxt注意问题

Pytorch_模型转Caffe（三）pytorch转caffemodel

• 模型转换基于GitHub上xxradon的代码进行优化，在此对作者表示感谢。GitHub地址：https://github.com/xxradon/PytorchToCaffe
• 本文基于AlexNet网络对MNIST手写字体分类生成的模型*.pth进行转换

1. Pytorch下生成模型

• 调用torchvision.models.alexnet下的alexnet网络
• 修改网络输入层数 1 ,输出类别数量 10
• classifier下的dropout位置需要调整

• 通过一下代码训练手写数字识别，最终生成模型mnist_alexnet_model.pth(这里保存了整个网络和权重)

import time
import torch
from torch import nn, optim
import torchvision
import pytorch_deep as pyd
from torchvision.models.alexnet import alexnet

net = alexnet(False)
device = torch.device('cuda' if torch.cuda.is_available() else'cpu')
def load_data_fashion_mnist(batch_size = 256,resize=None,num_workers = 0):
    trans = []
    if resize:
        trans.append(torchvision.transforms.Resize(size=resize))
    trans.append(torchvision.transforms.ToTensor())
    transform = torchvision.transforms.Compose(trans)
    mnist_train = torchvision.datasets.FashionMNIST(root='./MNIST', train=True, download=True,
                                                    transform=transform)
    mnist_test = torchvision.datasets.FashionMNIST(root='./MNIST', train=False, download=True,
                                                   transform=transform)
    train_iter = torch.utils.data.DataLoader(mnist_train, batch_size=batch_size, shuffle=True, num_workers=num_workers)
    test_iter = torch.utils.data.DataLoader(mnist_test, batch_size=batch_size, shuffle=False, num_workers=num_workers)
    return train_iter,test_iter

batch_size = 128
# 如出现“out of memory”的报错信息，可减⼩batch_size或resize
train_iter, test_iter = load_data_fashion_mnist(batch_size,resize=224)
lr, num_epochs = 0.001, 5
optimizer = torch.optim.Adam(net.parameters(), lr=lr)
pyd.train_ch5(net, train_iter, test_iter, batch_size, optimizer,device, num_epochs)

2. pth转换成caffemodel和prototxt

• git clone下载GitHub源码，进入example下的Alexnet实例
• 主要用到以下两个文件，一个是加载网络模型，一个是进行prototxt和caffemodel的转换
  
• 先看alexnet_pytorch_to_caffe.py

import sys
sys.path.insert(0,'.')
import torch
from torch.autograd import Variable
from torchvision.models.alexnet import alexnet
import pytorch_to_caffe_alexNet
import cv2
if __name__=='__main__':
    name='alexnet'
    pth_path = '***/mnist_alexnet_model.pth'
    net  = torch.load(pth_path)
    net.eval()
    input=Variable(torch.FloatTensor(torch.ones([1,1,224,224])))
    input = input.cuda()
    pytorch_to_caffe_alexNet.save_prototxt('{}.prototxt'.format(name))
    pytorch_to_caffe_alexNet.save_caffemodel('{}.caffemodel'.format(name))

• 如果直接运行发现会报错，我这里的错误出现在dropout层转化的位置，修改其bottom和top传参
• 修改完dropout，运行正常，能够生产caffemodel和prototxt，但prototxt网络结构有问题，还是前后层衔接不对
• 参照原版deploy.prototxt进行layer的修改，最终输出了正确的结果
  

3. pytorch_to_caffe_alexNet.py剖析

• 该文件就是对pth文件进行解析，获得layer的名称和每层的权重偏差，并以caffe的格式进行存储
• 修改了pytorch Function中的函数，让其在前向传播的时候自动将该层的参数保存到caffe
• 很多层的前后衔接不对，都需要强制进行修改
• 下面是修改的部分函数

def _dropout(raw,input,p=0.5, training=False, inplace=False):
    x=raw(input,p, training, False)
    layer_name=log.add_layer(name='dropout')
    log.add_blobs([x],name='dropout_blob')
    bottom_top_name = 'fc_blob' + layer_name[-1]
    layer=caffe_net.Layer_param(name=layer_name,type='Dropout',
                                bottom=[bottom_top_name],top=[bottom_top_name])
    layer.param.dropout_param.dropout_ratio = p
    log.cnet.add_layer(layer)
    return x
def _linear(raw,input, weight, bias=None):
    x=raw(input,weight,bias)
    layer_name=log.add_layer(name='fc')
    top_blobs=log.add_blobs([x],name='fc_blob')
    bottom_name = 'ave_pool_blob1' if top_blobs[-1][-1] =='1' else 'fc_blob'+str(int(top_blobs[-1][-1])-1)
    layer=caffe_net.Layer_param(name=layer_name,type='InnerProduct',
                                bottom=[bottom_name],top=top_blobs)
    layer.fc_param(x.size()[1],has_bias=bias is not None)
    if bias is not None:
        layer.add_data(weight.cpu().data.numpy(),bias.cpu().data.numpy())
    else:
        layer.add_data(weight.cpu().data.numpy())
    log.cnet.add_layer(layer)
    return x

4. 用转换后的模型进行推理

• 在caffe 下进行测试 test_alexnet.sh

#!/bin/bash
set -e
./build/examples/cpp_classification/classification.bin 
/home/****/alexnet.prototxt 
/home/****/alexnet.caffemodel 
examples/mnist/mnist_mean.binaryproto 
examples/mnist/mnist_label.txt 
data/mnist/1.png;

目前推理结果不太准，但整个过程都已经跑通

5. prototxt注意问题

• 推理过程发现每次的结果都不一样，发现prototxt中每个卷积层下都有初始化权重的偏差，将其统统删除
  

• 池化层下的 ceil_mode: false也是多余项，删除即可
  

至此已完成Pytorch到caffemodle的转换
这只是初步尝试通过，接下来要进行YOLOv4的转换，应该会遇到更多的问题，加油！